Tipos de técnicas de aprendizaje de IA utilizadas en visión artificial

El aprendizaje automático es un tipo de inteligencia artificial (AI) que ayuda a los ordenadores a aprender de los datos para que puedan tomar decisiones por sí mismos, sin necesidad de programar detalladamente cada tarea. Consiste en crear modelos algorítmicos capaces de identificar patrones en los datos. Al identificar patrones en los datos y aprender de ellos, estos algoritmos pueden mejorar gradualmente su rendimiento con el tiempo.

Un área en la que el aprendizaje automático desempeña un papel crucial es la visión por ordenador, un campo de la IA centrado en los datos visuales. La visión por ordenador utiliza el aprendizaje automático para ayudar a los ordenadores a detectar y reconocer patrones en imágenes y vídeos. Impulsado por los avances en aprendizaje automático, se estima que el valor del mercado mundial de la visión por ordenador alcanzará aproximadamente los 175,72 mil millones de dólares en 2032.

En este artículo, analizaremos los distintos tipos de aprendizaje automático utilizados en visión por ordenador, incluidos el aprendizaje supervisado, no supervisado, por refuerzo y por transferencia, y cómo interviene cada uno en distintas aplicaciones. ¡Empecemos!

Descripción general del aprendizaje automático en la visión por ordenador#

La visión por ordenador depende del aprendizaje automático, especialmente de técnicas como el aprendizaje profundo y las redes neuronales, para interpretar y analizar información visual. Estos métodos permiten a los ordenadores realizar tareas de visión por ordenador, como detectar objetos en imágenes, clasificar imágenes por categorías y reconocer rostros. El aprendizaje automático también es esencial para las aplicaciones de visión por ordenador en tiempo real, como el control de calidad en la fabricación y el diagnóstico por imagen en la atención sanitaria. En estos casos, las redes neuronales ayudan a los ordenadores a interpretar datos visuales complejos, como analizar escáneres cerebrales para detectar tumores.

De hecho, muchos modelos avanzados de visión por ordenador, como Ultralytics YOLO11, se basan en redes neuronales.

Fig. 1. Segmentación de escáneres cerebrales con Ultralytics YOLO11.

Existen varios tipos de métodos de aprendizaje automático, como el aprendizaje supervisado, no supervisado, por transferencia y por refuerzo, que están ampliando los límites de lo posible en la visión por ordenador. En las secciones siguientes, analizaremos cada uno de estos tipos para entender cómo contribuyen a la visión por ordenador.

Exploración del aprendizaje supervisado#

El aprendizaje supervisado es el tipo de aprendizaje automático más utilizado. En el aprendizaje supervisado, los modelos se entrenan utilizando datos etiquetados. Cada entrada lleva asociada la salida correcta, lo que ayuda al modelo a aprender. Al igual que un estudiante que aprende de un profesor, estos datos etiquetados actúan como guía o supervisor.

Durante el entrenamiento, el modelo recibe tanto datos de entrada (la información que debe procesar) como datos de salida (las respuestas correctas). Esta configuración ayuda al modelo a aprender la relación entre las entradas y las salidas. El objetivo principal del aprendizaje supervisado es que el modelo descubra una regla o patrón que relacione con precisión cada entrada con su salida correcta. Con esta correspondencia, el modelo puede realizar predicciones precisas cuando se encuentra con datos nuevos. Por ejemplo, el reconocimiento facial en visión por ordenador se basa en el aprendizaje supervisado para identificar rostros a partir de estos patrones aprendidos.

Un uso habitual es desbloquear tu teléfono inteligente mediante reconocimiento facial. El modelo se entrena con imágenes etiquetadas de tu rostro para que, cuando intentes desbloquear el teléfono, compare la imagen en directo con lo que ha aprendido. Si detecta una coincidencia, el teléfono se desbloquea.

Fig. 2. El reconocimiento facial puede utilizarse para desbloquear tu teléfono inteligente.

¿Cómo funciona el aprendizaje no supervisado en la IA?#

El aprendizaje no supervisado es un tipo de aprendizaje automático que utiliza datos no etiquetados; durante el entrenamiento, el modelo no recibe ninguna orientación ni respuestas correctas. En su lugar, aprende a descubrir patrones y conocimientos por sí mismo.

El aprendizaje no supervisado identifica patrones mediante tres métodos principales:

• Agrupamiento: agrupa puntos de datos similares. Es útil para tareas como la segmentación de clientes, en la que se pueden agrupar clientes similares según sus comportamientos o atributos.
• Asociación: se utiliza para identificar relaciones entre elementos y ayuda a descubrir conexiones dentro de los datos (por ejemplo, encontrar productos que suelen comprarse juntos en el análisis de la cesta de la compra).
• Reducción de dimensionalidad: simplifica los conjuntos de datos eliminando características redundantes, lo que facilita su visualización y procesamiento.

Una aplicación clave del aprendizaje no supervisado es la compresión de imágenes, en la que técnicas como el agrupamiento k-means reducen el tamaño de la imagen sin afectar a su calidad visual. Los píxeles se agrupan en clústeres y cada clúster se representa mediante un color medio, lo que da como resultado una imagen con menos colores y un tamaño de archivo menor.

Fig. 3. Un ejemplo de compresión de imágenes no supervisada.

Sin embargo, el aprendizaje no supervisado presenta ciertas limitaciones. Al no disponer de respuestas predefinidas, puede tener dificultades con la precisión y la evaluación del rendimiento. A menudo requiere trabajo manual para interpretar los resultados y etiquetar los grupos, y es sensible a problemas como los valores ausentes y el ruido, que pueden afectar a la calidad de los resultados.

Explicación del aprendizaje por refuerzo#

A diferencia del aprendizaje supervisado y no supervisado, el aprendizaje por refuerzo no depende de datos de entrenamiento. En su lugar, utiliza agentes basados en redes neuronales que interactúan con un entorno para alcanzar un objetivo específico.

El proceso consta de tres componentes principales:

• Agente: el aprendiz o responsable de tomar decisiones.
• Entorno: todo aquello con lo que interactúa el agente, ya sea real o virtual.
• Señal de recompensa: un valor numérico que se proporciona después de cada acción y guía al agente hacia el objetivo.

A medida que el agente realiza acciones, afecta al entorno, que responde proporcionando información. Esta información ayuda al agente a evaluar sus decisiones y ajustar su comportamiento. La señal de recompensa ayuda al agente a entender qué acciones lo acercan a la consecución de su objetivo.

El aprendizaje por refuerzo es fundamental para casos de uso como la conducción autónoma y la robótica. En la conducción autónoma, tareas como el control del vehículo, la detección de objetos y la evasión aprenden a partir de la información recibida. Los modelos se entrenan utilizando agentes basados en redes neuronales para detectar peatones u otros objetos y actuar adecuadamente para evitar colisiones. Del mismo modo, en la robótica, el aprendizaje por refuerzo permite realizar tareas como la manipulación de objetos y el control del movimiento.

Un gran ejemplo del aprendizaje por refuerzo en acción es un proyecto de OpenAI en el que los investigadores entrenaron agentes de IA para jugar al popular videojuego multijugador Dota 2. Mediante redes neuronales, estos agentes procesaban enormes cantidades de información del entorno del juego para tomar decisiones rápidas y estratégicas. Gracias a la información continua, los agentes aprendieron y mejoraron con el tiempo hasta alcanzar un nivel de habilidad suficiente para derrotar a algunos de los mejores jugadores del juego.

Fig. 4. Interpretación humana frente a la de la IA de la matriz de Dota.

Conceptos básicos del aprendizaje por transferencia#

El aprendizaje por transferencia se diferencia de otros tipos de aprendizaje. En lugar de entrenar un modelo desde cero, utiliza un modelo preentrenado en un gran conjunto de datos y lo ajusta para una tarea nueva, aunque relacionada. El conocimiento adquirido durante el entrenamiento inicial se utiliza para mejorar el rendimiento en la nueva tarea. El aprendizaje por transferencia reduce el tiempo necesario para entrenar el modelo para una tarea nueva, dependiendo de su complejidad. Funciona conservando las capas iniciales del modelo, que capturan las características generales, y sustituyendo las capas finales por las correspondientes a la nueva tarea específica.

La transferencia de estilo artístico es una aplicación interesante del aprendizaje por transferencia en la visión por ordenador. Esta técnica permite a un modelo transformar una imagen para que coincida con el estilo de distintas obras de arte. Para ello, primero se entrena una red neuronal con un gran conjunto de datos de imágenes asociadas a sus estilos artísticos. Mediante este proceso, el modelo aprende a identificar características generales de las imágenes y patrones de estilo.

Una vez entrenado el modelo, se puede ajustar para aplicar el estilo de un cuadro concreto a una imagen nueva. La red se adapta a la nueva imagen mientras conserva las características de estilo aprendidas, lo que le permite crear un resultado único que combina el contenido original con el estilo artístico seleccionado. Por ejemplo, podrías tomar una fotografía de una cordillera y aplicar el estilo de El grito, de Edvard Munch, para obtener una imagen que capture la escena, pero con el estilo atrevido y expresivo del cuadro.

Fig. 5. Un ejemplo de transferencia de estilo artístico mediante aprendizaje por transferencia.

Diferencias entre los tipos de aprendizaje automático#

Ahora que hemos repasado los principales tipos de aprendizaje automático, analizaremos cada uno con más detalle para ayudarte a entender cuál se adapta mejor a las distintas aplicaciones.

• Aprendizaje supervisado: este tipo ofrece una gran precisión al trabajar con datos etiquetados, pero requiere muchos datos y puede ser sensible al ruido.
• Aprendizaje no supervisado: resulta útil para explorar datos no etiquetados y encontrar patrones ocultos, aunque los resultados pueden ser menos precisos y más difíciles de interpretar.
• Aprendizaje por refuerzo: entrena agentes para tomar decisiones paso a paso en entornos complejos, pero a menudo requiere una capacidad de computación considerable.
• Aprendizaje por transferencia: este enfoque utiliza modelos preentrenados para acelerar el entrenamiento y mejorar el rendimiento en tareas nuevas, especialmente cuando los datos son limitados.

Fig. 6. Una comparación de todos los tipos de aprendizaje automático. Imagen del autor.

Elegir el tipo adecuado de aprendizaje automático depende de varios factores. El aprendizaje supervisado funciona bien si dispones de abundantes datos etiquetados y de una tarea clara. El aprendizaje no supervisado es útil para explorar datos o cuando escasean los ejemplos etiquetados. El aprendizaje por refuerzo es ideal para tareas complejas que requieren tomar decisiones paso a paso, mientras que el aprendizaje por transferencia es una buena opción cuando los datos son limitados o los recursos están restringidos. Al tener en cuenta estos factores, puedes seleccionar el enfoque más adecuado para tu proyecto de visión por ordenador.

Conclusiones#

Las técnicas de aprendizaje automático pueden abordar una gran variedad de desafíos, especialmente en áreas como la visión por ordenador. Al comprender los distintos tipos —aprendizaje supervisado, no supervisado, por refuerzo y por transferencia—, puedes elegir el enfoque más adecuado para tus necesidades.

El aprendizaje supervisado es ideal para tareas que requieren una gran precisión y datos etiquetados, mientras que el aprendizaje no supervisado resulta adecuado para encontrar patrones en datos no etiquetados. El aprendizaje por refuerzo funciona bien en entornos complejos basados en la toma de decisiones, y el aprendizaje por transferencia es útil cuando quieres aprovechar modelos preentrenados con una cantidad limitada de datos.

Cada método tiene ventajas y aplicaciones únicas, desde el reconocimiento facial hasta la robótica y la transferencia de estilo artístico. Elegir el tipo adecuado puede abrir nuevas posibilidades en sectores como la atención sanitaria, la automoción y el entretenimiento.

Para descubrir más, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Explora aplicaciones de AI en coches autónomos y agricultura en nuestras páginas de soluciones. 🚀