Visão computacional é o campo da IA que ensina uma máquina a entender imagens e vídeo: reconhecer um rosto, ler uma placa de carro ou achar um cachorro nas suas fotos. Para a máquina, uma foto é uma grade de números; o modelo aprende a tirar dali o que tem e onde.
Uma pergunta do app. Escolha uma resposta.
Um app que reconhece cães aprendeu com fotos de dia. E com suas fotos à noite?
Para o app, a foto são números de cor. À noite esses números mudam muito, e ele quase não viu exemplos assim.
A pouca luz muda a imagem. Se o treinamento não incluiu casos parecidos, ele pode reconhecer pior os cães.
Usar o app não o treina: reconhecer uma foto não muda o modelo. Para melhorar à noite, dá para ajustar as imagens ou treinar com fotos noturnas.
Uma foto, para o computador, são milhões de pixels, e cada um é um número de cor. Hoje, em vez de escrever a regra "um cachorro tem orelhas assim", mostram ao modelo milhares de fotos rotuladas e ele aprende os padrões. Isso é machine learning; com redes neurais de muitas camadas, é deep learning.
As tarefas típicas: classificar (tem um cachorro?), detectar (onde está cada cachorro?), separar cada objeto do fundo e ler o texto que aparece na imagem.
Você desbloqueia o celular com o rosto: o telefone compara o que a câmera vê com o seu rosto salvo. Os sistemas mais sérios usam também um sensor de profundidade, para que uma foto sua não baste.
Você digita "cachorro" na galeria e aparecem suas fotos de cachorro, mesmo sem nunca ter dado nome a elas: um modelo olhou por você, muitas vezes no próprio telefone. E a cancela do estacionamento que abre sozinha está lendo a placa do carro.
Luz e ângulo. Com pouca luz, contra a luz, de lado ou com meio rosto coberto, os números da foto mudam muito, e o modelo pode não reconhecer o que você vê na hora.
Os dados. Se o treinamento deixa grupos de pessoas pouco representados, os erros podem ser desiguais. Um estudo de 2018 (Gender Shades) encontrou mais erros com mulheres de pele escura em três sistemas comerciais que classificavam gênero pelo rosto. E às vezes o modelo aprende o atalho errado: num experimento conhecido, um classificador de lobos e cães husky na verdade olhava se havia neve no fundo.
Visão computacional é o campo: fazer uma máquina entender imagens e vídeo. A IA multimodal combina mais de um tipo de dado, como o chat para o qual você manda uma foto e pergunta o que ele vê. Esse chat usa visão computacional por dentro, mas um detector que só recebe imagens também é visão computacional, mesmo sem ser multimodal.