La visión artificial, o visión por computadora, es el campo de la IA que enseña a una máquina a entender imágenes y video: reconocer una cara, leer una patente o encontrar un perro en tus fotos. Para la máquina, una foto es una grilla de números; el modelo aprende a sacar de ahí qué hay y dónde.
Una pregunta de la app. Elige una respuesta.
Una app que reconoce perros aprendió con fotos de día. ¿Y con tus fotos de noche?
Para la app, la foto son números de color. De noche esos números cambian mucho, y no vio casi ejemplos así.
La poca luz cambia la imagen. Si el entrenamiento no incluyó casos parecidos, puede reconocer peor a los perros.
Usarla no la entrena: reconocer una foto no cambia el modelo. Para mejorar de noche, se pueden ajustar las imágenes o entrenarla con fotos nocturnas.
Una foto, para la computadora, son millones de píxeles, y cada uno es un número de color. Hoy, en vez de escribirle la regla «un perro tiene orejas así», se le muestran miles de fotos etiquetadas y el modelo aprende los patrones. Eso es machine learning; con redes neuronales de muchas capas, es aprendizaje profundo.
Las tareas típicas: clasificar (¿hay un perro?), detectar (¿dónde está cada perro?), separar cada objeto del fondo y leer el texto que aparece en la imagen.
Desbloqueas el celular con la cara: el teléfono compara lo que ve la cámara con tu cara guardada. Los sistemas más serios suman un sensor de profundidad, para que no alcance con mostrarle una foto tuya.
Escribes «perro» en la galería y aparecen tus fotos de perros, aunque nunca les pusiste nombre: un modelo las miró por ti, muchas veces en el propio teléfono. Y la barrera del estacionamiento que se abre sola lee la patente (la matrícula) del auto.
Luz y ángulo. Con poca luz, a contraluz, de costado o con media cara tapada, los números de la foto cambian mucho, y el modelo puede no reconocer lo que tú ves enseguida.
Los datos. Si el entrenamiento deja grupos de personas poco representados, los errores pueden ser desiguales. Un estudio de 2018 (Gender Shades) encontró más errores con mujeres de piel oscura en tres sistemas comerciales que clasificaban el género por la cara. Y a veces el modelo aprende el atajo equivocado: en un experimento conocido, un clasificador de lobos y perros husky en realidad miraba si había nieve en el fondo.
La visión artificial es el campo: que una máquina entienda imágenes y video. La IA multimodal combina más de un tipo de dato, como el chat al que le mandas una foto y le preguntas qué ve. Ese chat usa visión artificial por dentro, pero un detector que sólo recibe imágenes también es visión artificial, aunque no sea multimodal.