La visión artificial necesita una gran cantidad de datos. Ejecuta análisis de datos una y otra vez hasta que discierne distinciones y finalmente reconoce imágenes. Por ejemplo, para entrenar a una computadora para que reconozca llantas de automóvil, necesita recibir grandes cantidades de imágenes de llantas y elementos relacionados con llantas para aprender las diferencias y reconocer una llanta, especialmente una sin defectos.

Para lograrlo, se emplean dos tecnologías esenciales: un tipo de machine learning llamado aprendizaje profundo y una red neuronal convolucional (CNN).

El machine learning emplea modelos algorítmicos que permiten que una computadora se enseñe a sí misma sobre el contexto de los datos visuales. Si se alimentan suficientes datos a través del modelo, la computadora "mirará" los datos y aprenderá a distinguir una imagen de otra. Los algoritmos permiten que la máquina aprenda por sí misma, en lugar de que alguien la programe para reconocer una imagen.

Una CNN ayuda a un modelo de machine learning o de aprendizaje profundo a “mirar” descomponiendo las imágenes en pixeles a los que se les asignan etiquetas. Usa las etiquetas para realizar convoluciones (una operación matemática sobre dos funciones para producir una tercera función) y hace predicciones sobre lo que está “viendo”. La red neuronal ejecuta convoluciones y verifica la precisión de sus predicciones en una serie de iteraciones hasta que las predicciones comienzan a hacerse. Se trata entonces de reconocer o ver imágenes de una manera similar a la de los humanos.

Al igual que un humano que distingue una imagen a distancia, una CNN primero distingue bordes definidos y formas simples, y luego completa la información a medida que ejecuta iteraciones de sus predicciones. Se emplea una CNN para comprender imágenes individuales. Una red neuronal recurrente (RNN) se utiliza de manera similar para aplicaciones de video y ayudar a las computadoras a comprender cómo se relacionan entre sí las imágenes en una serie de cuadros.

Los científicos e ingenieros estuvieron tratando de desarrollar formas para que las máquinas vean y comprendan los datos visuales durante unos 60 años. La experimentación comenzó en 1959 cuando los neurofisiólogos mostraron a un gato una serie de imágenes, intentando correlacionar una respuesta en su cerebro. Descubrieron que respondió primero a líneas o bordes definidos y, científicamente, esto significaba que el procesamiento de imágenes comienza con formas simples, como bordes rectos.²

Aproximadamente al mismo tiempo, se desarrolló la primera tecnología de escaneo de imágenes por computadora, que permitió a las computadoras digitalizar y adquirir imágenes. Otro hito se alcanzó en 1963, cuando las computadoras pudieron transformar imágenes bidimensionales en formas tridimensionales. En la década de 1960, la IA surgió como un campo de estudio académico y también marcó el comienzo de la búsqueda de IA para resolver el problema de la visión humana.

En 1974, fue la introducción de tecnología de reconocimiento óptico de caracteres (OCR), que podría reconocer el texto impreso en cualquier fuente o tipo de letra.³ Del mismo modo, el reconocimiento inteligente de caracteres (ICR) podría descifrar texto escrito a mano que utiliza redes neuronales.⁴ Desde entonces, el OCR y el ICR se abrieron camino en el procesamiento de documentos y facturas, el reconocimiento de matrículas de vehículos, los pagos por celular, la conversión de máquinas y otras aplicaciones comunes.

En 1982, el neurocientífico David Marr estableció que la visión funciona de forma jerárquica e introdujo algoritmos para que las máquinas detecten bordes, esquinas, curvas y formas básicas similares. Al mismo tiempo, el científico informático Kunihiko Fukushima desarrolló una red de células que podían reconocer patrones. La red, llamada Neocognitron, incluía capas convolucionales en una red neuronal.

Para el año 2000, el enfoque del estudio se centró en el reconocimiento de objetos. Y en 2001, aparecieron las primeras aplicaciones de reconocimiento facial en tiempo real. La estandarización de cómo se etiquetan y anotan los conjuntos de datos visuales surgió a lo largo de la década de 2000. En 2010, el conjunto de datos ImageNet estuvo disponible. Contenía millones de imágenes etiquetadas en mil clases de objetos y proporciona una base para las CNN y los modelos de aprendizaje profundo que se emplean en la actualidad. En 2012, un equipo de la Universidad de Toronto inscribió a una CNN en un concurso de reconocimiento de imágenes. El modelo, llamado AlexNet, redujo significativamente la tasa de error para el reconocimiento de imágenes. Luego de este avance, las tasas de error se redujeron a solo un pequeño porcentaje.⁵

Se está investigando mucho en el campo de la visión artificial, pero no se detiene allí. Las aplicaciones del mundo real demuestran lo importante que es la visión artificial para los negocios, el entretenimiento, el transporte, la atención médica y la vida cotidiana. Un factor clave para el crecimiento de estas aplicaciones es la avalancha de información visual que fluye desde los teléfonos inteligentes, los sistemas de seguridad, las cámaras de tráfico y otros dispositivos instrumentados visualmente. Estos datos podrían desempeñar un papel importante en las operaciones de todas las industrias, pero hoy no se emplean. La información crea un banco de pruebas para entrenar aplicaciones de visión artificial y una plataforma de lanzamiento para que se conviertan en parte de una variedad de actividades humanas:

• IBM empleó la visión artificial para crear My Moments para el torneo de golf Masters 2018. IBM® Watson vio cientos de horas de material de Masters y pudo identificar las imágenes (y los sonidos) de tomas significativas. Seleccionó estos momentos clave y los entregó a los fanáticos como resúmenes de momentos destacados personalizados.
• Google Translate permite a los usuarios apuntar con la cámara de un teléfono inteligente a un letrero en otro idioma y obtener casi de inmediato una traducción en su idioma preferido.⁶
• El desarrollo de vehículos autónomos se basa en la visión artificial para dar sentido a la entrada visual de las cámaras de un automóvil y otros sensores. Es esencial para identificar otros automóvil, señales de tráfico, marcadores de carril, peatones, bicicletas y toda la demás información visual que se encuentra en la carretera.
• IBM está aplicando tecnología de visión artificial con asociados, como Verizon, para llevar la IA inteligente al límite y ayudar a los fabricantes automotrices a identificar defectos de calidad antes de que un vehículo salga de fábrica.

Muchas organizaciones no tienen los recursos para financiar laboratorios de visión artificial y crear modelos de aprendizaje profundo y redes neuronales. También pueden carecer de la potencia informática que se requiere para procesar grandes conjuntos de datos visuales. Empresas como IBM están ayudando mediante servicios de desarrollo de software de visión artificial. Estos servicios ofrecen modelos de aprendizaje prediseñados disponibles en la nube, y también alivian la demanda de recursos informáticos. Los usuarios se conectan a los servicios a través de una interfaz de programación de aplicaciones (API) y los utilizan para desarrollar aplicaciones de visión artificial.

IBM también ha introducido una plataforma de visión artificial que aborda los problemas de desarrollo y recursos informáticos. IBM® Maximo Visual Inspection incluye herramientas que permiten a los expertos etiquetar, entrenar y desplegar modelos de visión de aprendizaje profundo, sin experiencia en programación ni aprendizaje profundo. Los modelos de visión pueden implementarse en centros de datos locales, la nube y dispositivos perimetrales.

Aunque cada vez es más fácil obtener recursos para desarrollar aplicaciones de visión artificial, una pregunta importante que hay que responder desde el principio es: ¿qué harán exactamente estas aplicaciones? Comprender y definir tareas específicas de visión artificial puede centrar y validar proyectos y aplicaciones, y facilitar la puesta en marcha.

Estos son algunos ejemplos de tareas de visión artificial establecidas:

• La clasificación de imágenes ve una imagen y puede clasificarla (un perro, una manzana, el rostro de una persona). Específicamente, es capaz de predecir con exactitud que una imagen determinada pertenece a una determinada clase. Por ejemplo, una empresa de redes sociales podría usarla para identificar y segregar automáticamente las imágenes objetables cargadas por los usuarios.
• La detección de objetos puede emplear la clasificación de imágenes para identificar una determinada clase de imagen, y luego detectar y tabular su apariencia en una imagen o video. Los ejemplos incluyen la detección de daños en una línea de ensamblaje o la identificación de maquinaria que requiere mantenimiento.
• El seguimiento de objetos sigue o rastrea un objeto una vez que se detecta. Esta tarea a menudo se ejecuta con imágenes capturadas en secuencia o transmisiones de video en tiempo real. Los vehículos autónomos, por ejemplo, no solo necesitan clasificar y detectar objetos, como peatones, otros automóviles e infraestructura vial, sino que también deben rastrearlos en movimiento para evitar colisiones y obedecer las leyes de tránsito.⁷
• La recuperación de imágenes basada en contenido utiliza la visión artificial para explorar, buscar y recuperar imágenes de grandes almacenes de datos, con base en el contenido de las imágenes en lugar de las etiquetas de metadatos asociadas con ellas. Esta tarea puede incorporar anotación automática de imágenes que reemplaza el etiquetado manual de imágenes. Estas tareas se pueden utilizar para sistemas de gestión de activos digitales, y pueden aumentar la precisión de la búsqueda y la recuperación.