Computer Vision –esa rama de la inteligencia artificial que usa redes neuronales– le otorga a las máquinas la capacidad de ‘ver e interpretar’ el mundo tal como las personas lo perciben. Quizá no sepas, pero esta poderosa tecnología está expandiendo sus aplicaciones y casos de uso en cosas que pueden ser sorprendentes.
Por ejemplo. En el campo de la salud, investigadores de algunas de las universidades más prestigiosas del mundo están intentando desarrollar modelos de Computer Vision que pueden detectar cáncer u otras enfermedades de una forma más precisa y oportuna. Cierto, hay retos que resolver para tener un modelo que sea más confiable que el diagnóstico de un médico experimentado, pero los avances están por llegar, no hay duda.
Y no es el único campo donde esta tecnología tiene potencial. Los servicios de movilidad –vehículos autónomos, semáforos inteligentes, etc– usan Computer Vision para funcionar de forma inteligente. En el sector agrícola, startups han creado modelos en drones para hacer inspecciones, detectar plagas y analizar el estado de la tierra.
Síguenos en Google Noticias para mantenerte siempre informado
Y no se diga lo que sucede en las fábricas. En este segmento, los fabricantes han usado visión artificial con modelos de Deep Learning para aumentar la eficiencia en su control de calidad –inspección de piezas con defectos– monitoreo de inventarios –para automatizar los reabastecimientos en almacenes– y seguridad industrial –verificar que los colaboradores usen correctamente el equipo de seguridad–.
Suena muy bien y estos modelos han probado su valor. Pero crearlos no es sencillo. Una de las partes más complicadas de un modelo de Computer Vision es la recolección de las imágenes que necesitamos para entrenar un modelo.
Dado que necesitamos cientos o miles de ellas, este proceso puede llevar mucho tiempo.
Imagina este ejemplo: queremos crear un modelo de inspección de calidad para verificar que la soldadura de partes metálicas cumple ciertos estándares –una adecuada presión del aire en las membranas, limpieza del proceso, medidas dentro de la tolerancia, etc–. Dado que la inspección de este proceso puede llegar a ser exhaustiva para una persona que se dedique a verificar estos factores en cientos de piezas, lo ideal será automatizar la inspección con Computer Vision.
Al modelo tendremos que entrenarlo con imágenes que muestren, por una parte, soldaduras impecables o dentro de los rangos de calidad, y otras donde se vean los principales tipos de defectos que vemos en nuestro proceso. Es aquí donde se pone interesante, porque las empresas de manufactura suelen trabajar con estándares de calidad elevados y pueden tardar meses en tener una muestra representativa de cada defecto. Esto puede ralentizar el proceso de recolección de imágenes para entrenar nuestro algoritmo.
Pero hay una técnica que resuelve esta complejidad. Se llaman datos sintéticos, que, en palabras de Nvidia –empresa que desarrolla soluciones computacionales para inteligencia artificial–, se trata de información que generan algoritmos o simulaciones computacionales como una alternativa a los datos que hay en el mundo real, en este caso, las imágenes de algo que sucede físicamente. Los datos sintéticos se crean en mundos virtuales o digitales, en lugar de recopilarlos del mundo real.
¿Ya nos tienes en Facebook? Danos like y recibe la mejor información
“Pueden ser artificiales, pero los datos sintéticos reflejan datos del mundo real, matemática o estadísticamente. Pueden ser tan buenos o, incluso, mejores para entrenar un modelo de IA que los datos basados en objetos, eventos o personas reales”, añade Nvidia.
En un estudio que liberó en 2021, Gartner predijo que, para 2030, la mayoría de los datos usados en IA serán generados artificialmente por reglas, modelos estadísticos, simulaciones y otras técnicas.
Asegura que nadie será capaz de crear un modelo de IA con alta calidad sin datos sintéticos
Los desarrolladores pueden usar diversas técnicas como aumento y anonimización de datos para crear información sintética. “Por ejemplo, los desarrolladores podrían combinar dos imágenes de automóviles del mundo real para crear una nueva imagen sintética con dos automóviles”, añade Nvidia.
Y lo mejor es el costo: mientras que un servicio de etiquetado de imágenes para un modelo de Computer Vision cuesta unos seis dólares, hacerlo artificialmente podría costar 6 centavos.
Por estas razones, los datos sintéticos serán clave para acelerar el desarrollo de modelos de Computer Vision y disminuir su costo.
Contacto:
Rafael R. Páez Yrigoyen es cofundador de Gesta Ventures y director ejecutivo de Gesta Labs / VAISOR*
Linkedin: Rafael Páez
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.
