Fuente: europa press
MÁLAGA, 13 Mar. (EUROPA PRESS) –
Tradicionalmente, para que una Inteligencia Artificial (IA) pueda distinguir entre un gato y un perro o diferenciar una célula sana de una cancerígena, requiere “ver” miles o incluso millones de imágenes etiquetadas. No obstante, un grupo de científicos liderado por el catedrático Ezequiel López Rubio, responsable del equipo de Inteligencia Computacional y Análisis de Imágenes de Ibima Plataforma Bionand y la Universidad de Málaga (UMA), ha creado una solución que supera esta limitación.
Junto a los investigadores Marcos Sergio Pacheco dos Santos Lima Junior (del departamento de Lenguajes y Ciencias de la Computación de la UMA) y Juan Miguel Ortiz de Lazcano Lobato (de Ibima y UMA), han presentado ProbaCLIP, un método innovador que permite a una IA aprender a identificar nuevas categorías con tan solo unos pocos ejemplos (técnica conocida como ‘few-shot learning’), alcanzando altos niveles de precisión sin necesidad de reentrenamientos largos ni costosos.
Cabe destacar que este proyecto ha recibido apoyo por parte de la Junta de Andalucía, el Ministerio de Ciencia e Innovación, la Fundación Unicaja y el respaldo técnico del centro de supercomputación SCBI de la Universidad de Málaga.
Desde Ibima Plataforma Bionand explican en un comunicado que la principal ventaja de ProbaCLIP es ser un método “libre de entrenamiento” (training-free). Mientras que otros sistemas actuales requieren ajustar miles de parámetros internos cada vez que se les presenta algo nuevo, la propuesta malagueña utiliza un modelo preentrenado de aprendizaje profundo (denominado CLIP y desarrollado por OpenAI), al que incorpora una capa basada en estadística avanzada.
“Nuestro método calcula las probabilidades de que una imagen pertenezca a una clase u otra tomando como base únicamente unos pocos ejemplos visuales”, indican los autores en su estudio publicado en la revista científica ‘Mathematics’.
A diferencia de otras variantes, ProbaCLIP no necesita siquiera descripciones textuales para funcionar; se basa exclusivamente en lo que “observa” en las imágenes.
Los resultados obtenidos son contundentes. En pruebas estándar con bases de datos internacionales, el sistema alcanzó hasta un 98,37% de precisión usando solo cinco imágenes por categoría, y llegó al 99,80% cuando contó con 16 ejemplos.
Además de su precisión, es muy ligero y rápido. Según los investigadores, ProbaCLIP puede ejecutarse en dispositivos con capacidades limitadas (como móviles o sensores industriales) ya que consume mucha menos energía y potencia computacional que los modelos tradicionales que requieren entrenamiento constante.
Esta tecnología impacta directamente en sectores donde obtener miles de imágenes es inviable o muy costoso, como por ejemplo el diagnóstico médico para identificar enfermedades raras con escasos casos documentados.
También resulta útil para la inspección industrial, permitiendo detectar grietas o defectos específicos en piezas sin necesidad de detener la producción para entrenar al sistema. Otro campo beneficiado es el reconocimiento instantáneo de objetos o patrones anómalos.
Para alcanzar este avance, los científicos emplearon una técnica matemática llamada Análisis de Componentes Principales (PCA), que permite a la IA eliminar información irrelevante y centrarse solo en los detalles que realmente distinguen un objeto de otro, evitando confusiones causadas por datos espurios.
Este contenido fue hecho con la asistencia de una inteligencia artificial y contó con la revisión del editor/periodista.
Agregar Comentario