De las visualizaciones a la información empresarial con visión artificial

La visión artificial es una rama de la inteligencia artificial (AI) que permite a las máquinas interpretar datos visuales y tomar decisiones a partir de ellos. Al presentar una aplicación de visión artificial, normalmente se muestran diversos resultados visuales, como imágenes o vídeos con cuadros delimitadores o máscaras de segmentación que resaltan los objetos de interés. Aunque estos elementos visuales son impresionantes, no siempre dejan claro qué información útil para la toma de decisiones pueden proporcionar.

Pensemos, por ejemplo, en una tienda minorista. Se puede utilizar un modelo de visión artificial como Ultralytics YOLOv8 para crear un mapa de calor que muestre dónde pasan más tiempo los clientes. La visualización podría parecer un mapa colorido que indica por dónde suelen caminar o detenerse los clientes. Sin embargo, la información realmente útil consiste en identificar las zonas de la tienda con peores resultados. Los minoristas pueden aprovecharla para reorganizar la colocación de los productos, optimizar el espacio en las estanterías o ajustar los expositores promocionales con el fin de fomentar la interacción de los clientes y aumentar las ventas.

Fig. 1. Ejemplo de mapa de calor creado para una tienda minorista con Ultralytics YOLOv8.

El verdadero valor de la visión artificial reside en convertir estos resultados visuales en información empresarial útil que permita mejorar y optimizar directamente las operaciones para impulsar el crecimiento y la eficiencia. En este artículo, veremos qué puede ofrecer la visión artificial a las empresas y cómo puede tener un impacto real en sus operaciones. También hablaremos de estrategias para ir más allá de los resultados visuales y aprovechar información útil que permita obtener resultados concretos.

Visualizaciones frente a información útil en IA: el error más común#

Empecemos por entender la diferencia entre visualizaciones e información útil. En visión artificial, las visualizaciones, como los cuadros delimitadores y los mapas de calor, son importantes para entender los resultados del modelo. Estos resultados visuales sirven como punto de partida para mostrar lo que la visión artificial puede y no puede hacer. Sin embargo, la información útil va más allá de estos elementos y aporta datos valiosos que permiten tomar decisiones fundamentadas, mejorar procesos o comprender mejor los patrones. Convierte los datos visuales sin procesar en conclusiones significativas que ayudan a descubrir tendencias, predecir resultados u optimizar estrategias.

Por ejemplo, un sistema de monitorización de entrenamientos mediante visión artificial podría utilizar la estimación de poses y modelos como Ultralytics YOLOv8 para seguir los movimientos del cuerpo e identificar puntos clave, como articulaciones y extremidades. Puede resultar interesante ver el resultado visual, por ejemplo, un esqueleto animado que muestra cómo se mueve una persona. Sin embargo, el verdadero valor reside en la información cuantificable que aportan estos datos: el número de flexiones o sentadillas realizadas, la duración de cada ejercicio, la regularidad de las repeticiones y la calidad de la técnica mantenida durante la sesión.

Los entrenadores pueden utilizar esta información para analizar la técnica de sus clientes, detectar movimientos incorrectos que podrían causar lesiones, hacer un seguimiento del rendimiento a lo largo del tiempo y entender los hábitos de entrenamiento. Estos datos les ayudan a ofrecer mejores comentarios, diseñar planes de entrenamiento más eficaces y ayudar a sus clientes a alcanzar sus objetivos de forma física de manera más segura y eficiente.

Fig. 2. Seguimiento de los movimientos corporales con Ultralytics YOLOv8.

Aportar valor empresarial con visión artificial#

A medida que avanza la tecnología, las empresas buscan constantemente formas de adelantarse a la competencia, y la visión artificial puede ayudarlas a conseguirlo. Al incorporar información obtenida mediante visión artificial a sus flujos de trabajo actuales, pueden obtener resultados medibles reales.

Esta información puede aportar datos valiosos en distintas áreas de la empresa, como:

• Métricas de rendimiento: datos cuantitativos que destacan los indicadores clave de rendimiento y los patrones.
• Análisis de tendencias: comprender las tendencias emergentes y los cambios en el comportamiento de los clientes o las condiciones del mercado a lo largo del tiempo.
• Información predictiva: prever resultados futuros o identificar posibles problemas utilizando datos pasados y en tiempo real.
• Alertas en tiempo real: notificaciones instantáneas de eventos importantes, anomalías o cambios que requieren atención.

Por ejemplo, en el sector del petróleo y el gas, la detección de incendios o fugas de gas en hornos se realizaba tradicionalmente mediante vigilancia manual o sistemas de sensores básicos. A menudo, estos métodos carecen de la rapidez y precisión necesarias para detectar posibles peligros a tiempo. La visión artificial puede mejorar este proceso mediante cámaras y modelos de detección de objetos, como Ultralytics YOLOv8, que vigilan continuamente los hornos y detectan rápidamente problemas como llamas inusuales, exceso de humo o fugas de gas.

El resultado visual de esta aplicación podría mostrar cajas delimitadoras en las imágenes para destacar las zonas donde se detecta un incendio. Sin embargo, el verdadero beneficio está en convertir estas señales visuales en información útil. Esta información puede ayudar a determinar la causa de un incendio, predecir problemas en los equipos y planificar el mantenimiento para evitar futuros incidentes. Gracias a esta información, las empresas industriales pueden responder rápidamente a posibles incendios, evitar daños costosos, reducir los tiempos de inactividad y mejorar la seguridad y la eficiencia.

Fig. 3. Detección de incendios con Ultralytics YOLOv8.

Toma de decisiones basada en datos con IA#

Los resultados visuales de un modelo entrenado pueden convertirse en información útil y organizarse en paneles y bases de datos para analizarlos en profundidad. En particular, los paneles pueden ofrecer a los propietarios de empresas una visión clara de las métricas de rendimiento, ayudar a detectar anomalías y facilitar la toma de decisiones basada en datos en tiempo real.

Por ejemplo, en la supervisión del tráfico, se puede utilizar un modelo de visión artificial como Ultralytics YOLOv8 para analizar imágenes de tráfico en directo, detectar y seguir distintos vehículos, como coches, furgonetas y autobuses, en la carretera. La visualización resultante puede mostrar los vehículos etiquetados y registrar cuántos entran y salen de zonas específicas. Esta información también puede mostrarse en un panel que desglose el número de vehículos por zona y calcule métricas clave, como el número total de vehículos y la velocidad media.

Fig. 4. Detección y seguimiento del tráfico con Ultralytics YOLOv8.

Esta información ayuda a los equipos de gestión del tráfico a comprender el flujo de tráfico, identificar puntos de congestión, predecir atascos y ajustar los semáforos o las rutas para que la circulación sea fluida. Al convertir los datos visuales en información útil, este sistema ayuda a los urbanistas a tomar decisiones acertadas para mejorar el flujo del tráfico y reducir los problemas en las carreteras.

Acercar la IA a las necesidades empresariales#

Ahora que hemos hablado del impacto empresarial de la información útil que proporciona la visión artificial, veamos las estrategias para salvar la distancia entre la visualización de datos y la obtención de información empresarial. Estas consideraciones son esenciales al desarrollar soluciones de AI, ya que permiten ir más allá de las simples tareas de visión artificial y comprender el contexto y las relaciones presentes en los datos. Un análisis exhaustivo permite obtener información más significativa y pertinente para las necesidades empresariales.

Para empezar, es esencial mejorar la comunicación entre los desarrolladores de IA y los responsables empresariales. Los desarrolladores de IA pueden hablar abiertamente con las partes interesadas de la empresa para comprender sus objetivos, sus dificultades y lo que esperan conseguir. Si adoptan el punto de vista del propietario de la empresa, les resultará más fácil determinar cómo puede la visión artificial resolver directamente problemas específicos. En lugar de desarrollar soluciones genéricas, pueden centrarse en crear aplicaciones de visión artificial que resuelvan necesidades empresariales reales.

Por ejemplo, en el caso de la industria del petróleo y el gas que hemos comentado antes, hablar directamente con una parte interesada de la empresa podría ayudar a un desarrollador a comprender necesidades concretas, como enviar alertas según el tamaño y la gravedad de un incendio detectado. Conocer estos detalles ayuda a los desarrolladores a adaptar la solución para dar prioridad a las alertas críticas, agilizar los tiempos de respuesta y reducir los riesgos, lo que mejora la seguridad y la eficiencia.

Fig. 5. La comunicación es esencial. Fuente de la imagen: Envato Elements.

Una vez establecida una comunicación clara, el siguiente paso es centrarse en la calidad y el procesamiento de los datos. Los desarrolladores pueden asegurarse de que los datos utilizados para el entrenamiento y el análisis estén limpios, sean coherentes y respondan a las necesidades del cliente. Agilizar el procesamiento de datos puede ayudar a reducir los retrasos y proporcionar información precisa y oportuna. Además, integrar sistemas de visión artificial con las herramientas empresariales existentes puede mejorar la toma de decisiones y permitir que las empresas respondan rápidamente a información importante.

Estos son algunos otros factores que debes tener en cuenta:

• Visualización intuitiva: asegúrate de que los resultados visuales sean sencillos y fáciles de interpretar para las partes interesadas sin conocimientos técnicos.
• Escalabilidad: diseña soluciones de IA que puedan adaptarse al aumento de las necesidades de datos y a los cambios operativos de la empresa.
• Análisis en tiempo real: incorpora el procesamiento de datos en tiempo real para ofrecer información oportuna que permita actuar de inmediato.
• Seguridad y privacidad: protege la integridad y la confidencialidad de los datos, especialmente cuando se trata de información sensible.
• Aprendizaje y adaptación continuos: implementa mecanismos de aprendizaje continuo y actualizaciones del modelo para adaptarte a los cambios del entorno empresarial y de los patrones de datos.

El futuro de la visión artificial en las empresas#

Aunque los resultados visuales, como las cajas delimitadoras y las máscaras, demuestran las capacidades de la visión artificial, las empresas necesitan algo más que representaciones visuales: necesitan información útil que permita tomar decisiones y mejorar las operaciones. Al comprender los objetivos empresariales y aplicar la visión artificial a problemas del mundo real, los desarrolladores pueden proporcionar información que mejore las operaciones, la experiencia de los clientes y reduzca los costes.

Para cerrar la brecha entre la visualización y la información útil, los desarrolladores pueden comunicarse con claridad con las partes interesadas, utilizar datos de alta calidad y mejorar el procesamiento de datos. Estos pasos ayudan a las empresas a sacar el máximo partido de la tecnología de visión artificial y a convertir la información obtenida en beneficios reales.

¡Aprendamos y exploremos juntos! Echa un vistazo a nuestro repositorio de GitHub para ver nuestras contribuciones a la AI y no olvides participar en nuestra comunidad. Descubre cómo estamos redefiniendo sectores como la fabricación y la sanidad con tecnología de AI.