El aprendizaje activo acelera el desarrollo de la visión artificial

Entrenar un modelo de visión artificial se parece mucho a enseñar a un niño a reconocer los colores. Primero, necesitarías una colección de objetos de distintos colores. Después, guiarías al niño para que identificase correctamente cada color, una tarea que suele ser repetitiva y llevar mucho tiempo.

Al igual que un niño necesita muchos ejemplos para aprender, un modelo de visión necesita un gran conjunto de datos etiquetados para reconocer patrones y objetos en imágenes. Sin embargo, etiquetar grandes cantidades de datos requiere mucho tiempo y esfuerzo, por no hablar de recursos. Técnicas como el aprendizaje activo pueden ayudar a simplificar este proceso.

El aprendizaje activo es un proceso paso a paso en el que se seleccionan y etiquetan los datos más importantes de un conjunto de datos grande. El modelo aprende a partir de estos datos etiquetados, lo que lo hace más preciso y eficaz. Centrarse solo en los datos más valiosos reduce la cantidad de datos que hay que etiquetar y acelera el desarrollo del modelo.

En este artículo veremos cómo el aprendizaje activo ayuda a entrenar modelos, reduce los costes de etiquetado y mejora la precisión general del modelo.

No es fácil crear conjuntos de datos de imágenes#

Los conjuntos de datos son la base de los modelos de visión artificial y aprendizaje profundo. Los conjuntos de datos populares, como ImageNet, ofrecen millones de imágenes con diversas categorías de objetos. Sin embargo, crear y mantener volúmenes tan grandes de conjuntos de datos de alta calidad plantea diversos retos.

Por ejemplo, recopilar y etiquetar datos requiere tiempo, recursos y anotadores cualificados, por lo que el proceso puede resultar complicado según la aplicación concreta. Se necesitan soluciones innovadoras y más eficientes para satisfacer la creciente demanda de conjuntos de datos de imágenes, y eso es precisamente lo que pretende resolver el aprendizaje activo.

El aprendizaje activo aborda este problema optimizando el proceso de etiquetado de datos. Al seleccionar estratégicamente los datos más informativos para su anotación, el aprendizaje activo maximiza el rendimiento del modelo y minimiza el esfuerzo de etiquetado.

¿Qué es el aprendizaje activo?#

El aprendizaje activo es una técnica iterativa de aprendizaje automático en la que el modelo selecciona los datos más importantes que se deben etiquetar de un gran conjunto de datos sin etiquetar. Estos datos seleccionados se etiquetan manualmente y se añaden al conjunto de entrenamiento.

A continuación, el modelo se vuelve a entrenar con el conjunto de datos actualizado y selecciona el siguiente grupo de datos que se etiquetará. El proceso se repite y el modelo mejora continuamente al centrarse en los datos más informativos. El ciclo continúa hasta que el modelo alcanza la precisión deseada o cumple los criterios de etiquetado establecidos de antemano.

Fig. 1. Descripción general del aprendizaje activo.

Cómo funciona el aprendizaje activo#

Puede que te preguntes cómo decide la técnica de aprendizaje activo qué datos deben etiquetarse manualmente y cuáles etiquetar a continuación. Veamos cómo funciona el aprendizaje activo comparándolo con la preparación de un examen: te centras en los temas que no tienes claros y también te aseguras de repasar distintas materias para ir bien preparado.

Para la selección inicial de datos, el aprendizaje activo utiliza estrategias como el muestreo por incertidumbre y el muestreo basado en la diversidad. El muestreo por incertidumbre da prioridad a los datos sobre los que el modelo tiene menos confianza en sus predicciones, con el objetivo de mejorar la precisión en los casos difíciles. El muestreo basado en la diversidad selecciona datos que abarcan una amplia variedad de características y garantiza que el modelo generalice bien a datos no vistos al exponerlo a ejemplos diversos.

Fig. 2. Muestreo por incertidumbre (a la izquierda) y muestreo basado en la diversidad (a la derecha).

Tras la selección inicial de datos, el aprendizaje activo utiliza dos enfoques principales para el etiquetado: el muestreo basado en conjuntos y el muestreo basado en flujos. Se parecen a la forma en que un profesor ayuda a un alumno a centrarse en lo más importante.

En el muestreo basado en conjuntos, el modelo explora un gran conjunto de datos sin etiquetar y selecciona los ejemplos más difíciles o informativos para etiquetarlos, como un estudiante que da prioridad a las tarjetas de estudio que más le cuestan. En el muestreo basado en flujos, el modelo procesa los datos a medida que llegan y decide si etiquetarlos o descartarlos, como un estudiante que pide ayuda solo cuando se atasca. En ambos casos, los datos etiquetados se añaden al conjunto de entrenamiento y el modelo vuelve a entrenarse, mejorando progresivamente en cada iteración.

Aplicaciones del aprendizaje activo#

El aprendizaje activo desempeña un papel clave en las aplicaciones de visión artificial, como el diagnóstico por imagen y la conducción autónoma, ya que mejora la precisión de los modelos y agiliza el proceso de etiquetado de datos. Un ejemplo interesante son los modelos de visión artificial que se utilizan en coches autónomos para detectar peatones u objetos en condiciones de poca luz o niebla. El aprendizaje activo puede mejorar la precisión al centrarse en situaciones de conducción diversas y difíciles.

En concreto, el aprendizaje activo puede utilizarse para identificar datos o fotogramas inciertos de esas situaciones y seleccionarlos para su etiquetado. Al añadir estos ejemplos etiquetados al conjunto de entrenamiento, el modelo mejora su capacidad para reconocer peatones y objetos en entornos difíciles, como con mal tiempo o durante la conducción nocturna.

Por ejemplo, NVIDIA ha utilizado el aprendizaje activo para mejorar la detección de peatones por la noche en sus modelos de conducción autónoma. Al seleccionar estratégicamente los datos más informativos para el entrenamiento, sobre todo en situaciones difíciles, el rendimiento del modelo mejora considerablemente.

Fig. 3. Detección de un peatón con paraguas mediante aprendizaje activo.

El aprendizaje activo puede reducir los costes de etiquetado#

Otro aspecto clave del aprendizaje activo es su capacidad para reducir los costes de etiquetado. Lo consigue centrándose solo en los datos más importantes, en lugar de exigir anotaciones para todo el conjunto de datos. Este enfoque dirigido ahorra tiempo, esfuerzo y dinero. Al centrarse en muestras inciertas o diversas, el aprendizaje activo reduce el número de anotaciones necesarias y mantiene una gran precisión del modelo.

De hecho, las investigaciones demuestran que el aprendizaje activo puede reducir los costes de etiquetado entre un 40 y un 60 % sin sacrificar el rendimiento. Esto resulta especialmente útil en sectores como la atención sanitaria y la fabricación, donde etiquetar datos es caro. Al simplificar el proceso de anotación, el aprendizaje activo ayuda a las empresas a desarrollar modelos más rápido y desplegarlos con mayor eficiencia, sin perder precisión.

Ventajas del aprendizaje activo#

Estas son otras de las principales ventajas que puede ofrecer el aprendizaje activo:

• Abordar el desequilibrio de clases: El aprendizaje activo puede ayudar a abordar los problemas de desequilibrio de clases mediante el etiquetado de ejemplos de las clases minoritarias. Así, el modelo puede rendir mejor en situaciones poco frecuentes con datos limitados.
• Ciclos de desarrollo más rápidos: Etiquetar menos datos acelera indirectamente el proceso de desarrollo de modelos de aprendizaje automático y visión artificial, lo que permite dedicar más tiempo y recursos a iteraciones y experimentos adicionales.
• Adaptabilidad: Puede mejorar continuamente los datos de entrenamiento mediante iteraciones con muestras inciertas o casos límite, por lo que resulta adecuado para conjuntos de datos dinámicos o cambiantes.

El aprendizaje activo y AutoML pueden trabajar juntos#

El aprendizaje automático automatizado (AutoML) se centra en automatizar las tareas iterativas y que requieren mucho tiempo para crear y desplegar modelos de aprendizaje automático. Simplifica los flujos de trabajo de aprendizaje automático al automatizar tareas como la selección de modelos y la evaluación del rendimiento, reduciendo así la necesidad de trabajo manual.

Al integrarse con el aprendizaje activo, AutoML puede acelerar y optimizar el ciclo de vida del desarrollo de modelos. El componente de aprendizaje activo selecciona estratégicamente los datos más informativos para etiquetarlos, mientras que AutoML perfecciona el modelo automatizando la elección de la arquitectura y los parámetros, así como su ajuste.

Fig. 4. Flujo de trabajo de AutoML.

Veamos esta combinación de tecnologías con un ejemplo.

Imagina que intentas detectar afecciones poco frecuentes en el diagnóstico por imagen, un caso de uso en el que los conjuntos de datos etiquetados son escasos y caros de obtener. El aprendizaje activo puede identificar y seleccionar datos inciertos, como cambios sutiles en radiografías que el modelo no consigue clasificar. Después, se puede dar prioridad al etiquetado manual de esos datos inciertos para mejorar la capacidad de comprensión del modelo.

Con los datos anotados, AutoML puede optimizar el modelo explorando distintas arquitecturas, hiperparámetros y técnicas de aumento de datos. Este proceso iterativo acelera el desarrollo de modelos de visión fiables, como Ultralytics YOLO11, que ayudan a los profesionales sanitarios a realizar diagnósticos precisos.

Retos del aprendizaje activo#

El aprendizaje activo y sus técnicas ofrecen numerosas ventajas, pero hay algunos aspectos que conviene tener en cuenta al implementar estas estrategias:

• Selección de la estrategia de consulta: El aprendizaje activo engloba muchas técnicas, y elegir el método más adecuado influye considerablemente en la eficacia del modelo. Una estrategia inadecuada puede reducir el rendimiento del modelo en una aplicación concreta.
• Costes del reentrenamiento: La naturaleza iterativa del aprendizaje activo exige recursos computacionales costosos, especialmente con grandes conjuntos de datos. El modelo se reentrena después de cada ronda de etiquetado, lo que aumenta su complejidad.
• Calidad del modelo inicial: La eficacia del aprendizaje activo depende de la calidad del modelo inicial. Un modelo inicial con un rendimiento deficiente puede no identificar correctamente los datos más informativos, lo que da lugar a solicitudes de etiquetado de baja calidad y reduce el rendimiento general.

El futuro del aprendizaje activo y AutoML#

Gracias a los avances recientes en IA y visión artificial, el aprendizaje activo está preparado para abordar retos más complejos y agilizar los flujos de trabajo de aprendizaje automático. Combinar el aprendizaje activo con técnicas como el aprendizaje federado y el aprendizaje autosupervisado puede mejorar aún más la eficiencia y la escalabilidad de los modelos de visión.

El aprendizaje federado permite entrenar un modelo en varios dispositivos o servidores mediante un marco distribuido, sin necesidad de que los datos salgan de su ubicación original. En sectores como la sanidad, donde la privacidad de los datos es importante, el aprendizaje federado permite entrenar directamente con datos locales sensibles y mantenerlos protegidos. En lugar de compartir datos sin procesar, solo se comparten actualizaciones o información del modelo, lo que garantiza la protección de la información privada y, al mismo tiempo, permite contribuir al proceso de entrenamiento.

Por su parte, el aprendizaje autosupervisado ayuda a reducir la necesidad de datos etiquetados mediante el preentrenamiento de modelos con datos sin etiquetar. Este proceso proporciona una base sólida para el modelo. A continuación, el aprendizaje activo puede aprovechar esa base para identificar y seleccionar los datos más importantes que se anotarán manualmente y perfeccionar aún más el modelo.

Del aprendizaje activo al impacto activo#

El aprendizaje activo ofrece una forma práctica de abordar grandes retos de la visión artificial, como el elevado coste de la anotación de datos y la necesidad de modelos más precisos. Al centrarse en etiquetar solo los datos más valiosos, reduce el esfuerzo humano necesario y mejora el rendimiento del modelo.

Al combinarse con tecnologías como AutoML, el aprendizaje activo agiliza el desarrollo de modelos mediante la automatización de tareas que requieren mucho tiempo. A medida que continúen los avances, el aprendizaje activo se convertirá en una herramienta esencial para crear sistemas de visión artificial más inteligentes y eficientes. Para descubrir qué herramientas permiten utilizar este ciclo hoy en día, consulta nuestra comparativa de herramientas de etiquetado automático y aprendizaje activo.

Explora nuestro repositorio de GitHub y únete a nuestra comunidad para obtener más información sobre la IA y los modelos de visión artificial. Descubre más aplicaciones de la visión artificial en la fabricación y la sanidad en nuestras páginas de soluciones. También puedes consultar nuestras opciones de licencia para empezar hoy mismo tu trayectoria en la IA visual.