Tipos de técnicas de aprendizaje de IA utilizadas en visión artificial

El aprendizaje automático es un tipo de inteligencia artificial (IA) que ayuda a los ordenadores a aprender a partir 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 ámbito en el que el aprendizaje automático desempeña un papel fundamental es la visión artificial, un campo de la IA centrado en los datos visuales. La visión artificial utiliza el aprendizaje automático para ayudar a los ordenadores a detectar y reconocer patrones en imágenes y vídeos. Gracias a los avances en aprendizaje automático, se estima que el valor del mercado mundial de la visión artificial rondará los 175 720 millones de dólares en 2032.

En este artículo veremos los distintos tipos de aprendizaje automático que se utilizan en visión artificial, como el aprendizaje supervisado, no supervisado, por refuerzo y por transferencia, y cómo contribuye cada uno a diferentes aplicaciones.

Introducción al aprendizaje automático en visión artificial#

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

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

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

Hay varios tipos de métodos de aprendizaje en machine learning, como el aprendizaje supervisado, el aprendizaje no supervisado, el aprendizaje por refuerzo y el aprendizaje por transferencia, que determinan lo que es posible en la visión artificial. En las siguientes secciones, exploraremos cada uno de estos tipos para entender cómo contribuyen a la visión artificial.

Exploración del aprendizaje supervisado#

El aprendizaje supervisado es el tipo de machine learning más utilizado. En el aprendizaje supervisado, los modelos se entrenan con datos etiquetados. Cada entrada se etiqueta con la salida correcta, lo que ayuda al modelo a aprender. Al igual que un alumno aprende de un profesor, estos datos etiquetados sirven de guía o supervisión.

Durante el entrenamiento, se proporcionan al modelo tanto datos de entrada (la información que necesita 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 un patrón que relacione con precisión cada entrada con su salida correcta. Gracias a esta correspondencia, el modelo puede hacer predicciones precisas cuando se encuentra con datos nuevos. Por ejemplo, el reconocimiento facial en visión artificial se basa en el aprendizaje supervisado para identificar rostros a partir de estos patrones aprendidos.

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

Fig. 2. El reconocimiento facial se puede utilizar para desbloquear el teléfono inteligente.

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

El aprendizaje no supervisado es un tipo de aprendizaje automático que utiliza datos sin etiquetar: durante el entrenamiento, el modelo no recibe ninguna orientación ni respuestas correctas. En su lugar, aprende a descubrir patrones y conclusiones 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 características.
• Asociación: se utiliza para identificar relaciones entre elementos y descubrir conexiones en los datos (por ejemplo, encontrar productos que se suelen comprar juntos mediante el análisis de la cesta de la compra, una técnica habitual de minería de datos).
• 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 promedio, lo que da como resultado una imagen con menos colores y un tamaño de archivo menor.

Fig. 3. Ejemplo de compresión de imágenes no supervisada.

Sin embargo, el aprendizaje no supervisado sí presenta ciertas limitaciones. Sin 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 de redes neuronales que interactúan con un entorno para alcanzar un objetivo concreto.

El proceso consta de tres componentes principales:

• Agente: El aprendiz o encargado de tomar decisiones.
• Entorno: Todo aquello con lo que interactúa el agente, ya sea real o virtual.
• Señal de recompensa: Valor numérico que se asigna después de cada acción y guía al agente hacia el objetivo.

Cuando el agente realiza acciones, influye en el entorno, que responde con información. Esta información ayuda al agente a evaluar sus decisiones y ajustar su comportamiento. La señal de recompensa le permite entender qué acciones le acercan a su objetivo.

El aprendizaje por refuerzo es clave 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 evitación de obstáculos se aprenden a partir de la retroalimentación. Los modelos se entrenan con agentes de redes neuronales para detectar peatones u otros objetos y tomar las medidas adecuadas para evitar colisiones. Del mismo modo, en robótica, el aprendizaje por refuerzo permite realizar tareas como manipular objetos y controlar movimientos.

Un ejemplo conocido de 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 retroalimentación continua, los agentes aprendieron y mejoraron con el tiempo, hasta alcanzar un nivel lo bastante alto como para vencer a algunos de los mejores jugadores del juego.

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

Conceptos básicos del aprendizaje por transferencia#

El aprendizaje por transferencia es distinto de otros tipos de aprendizaje. En lugar de entrenar un modelo desde cero, parte de un modelo preentrenado con un conjunto de datos grande y lo ajusta para una tarea nueva, pero relacionada. Los conocimientos adquiridos durante el entrenamiento inicial se utilizan para mejorar el rendimiento en la nueva tarea. El aprendizaje por transferencia reduce el tiempo necesario para entrenar el modelo para una tarea nueva, según su complejidad. Funciona conservando las capas iniciales del modelo, que capturan las características generales, y sustituyendo las capas finales por otras adaptadas a la nueva tarea.

La transferencia de estilo artístico es una aplicación interesante del aprendizaje por transferencia en visión artificial. Esta técnica permite que un modelo transforme una imagen para que coincida con el estilo de distintas obras de arte. Para ello, primero se entrena una red neuronal con un conjunto de datos grande de imágenes emparejadas con 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 a una imagen nueva el estilo de una pintura concreta. La red se adapta a la imagen nueva y conserva las características de estilo aprendidas, lo que le permite crear un resultado único que combina el contenido original con el estilo artístico elegido. Por ejemplo, podrías hacer una foto de una cordillera y aplicarle el estilo de El grito de Edvard Munch. El resultado sería una imagen que muestra la escena con el estilo expresivo y de trazos marcados de la pintura.

Fig. 5. 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, veamos cada uno más detenidamente para ayudarte a entender cuál es el más adecuado para distintas aplicaciones.

• Aprendizaje supervisado: Este tipo ofrece una gran precisión cuando se trabaja con datos etiquetados, pero requiere muchos datos y puede ser sensible al ruido.
• Aprendizaje no supervisado: Es útil para explorar datos sin etiquetar 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 gran capacidad de cálculo.
• Aprendizaje por transferencia: Este enfoque utiliza modelos preentrenados para acelerar el entrenamiento y mejorar el rendimiento en tareas nuevas, sobre todo cuando hay pocos datos.

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

La elección del tipo de aprendizaje automático adecuado depende de varios factores. El aprendizaje supervisado funciona bien si dispones de muchos datos etiquetados y de una tarea bien definida. El aprendizaje no supervisado resulta 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 si hay pocos datos o recursos limitados. Si tienes en cuenta estos factores, podrás elegir el enfoque más adecuado para tu proyecto de visión artificial.

Conclusiones#

Las técnicas de aprendizaje automático pueden abordar una gran variedad de retos, sobre todo en ámbitos como la visión artificial. Si entiendes los distintos tipos —aprendizaje supervisado, no supervisado, por refuerzo y por transferencia—, podrás elegir el enfoque que mejor se adapte a tus necesidades.

El aprendizaje supervisado es adecuado para tareas que requieren gran precisión y datos etiquetados, mientras que el aprendizaje no supervisado resulta ideal para encontrar patrones en datos sin etiquetar. El aprendizaje por refuerzo funciona bien en situaciones complejas que implican tomar decisiones, y el aprendizaje por transferencia es útil cuando quieres aprovechar modelos preentrenados con pocos datos.

Cada método tiene fortalezas y aplicaciones propias, desde el reconocimiento facial hasta la robótica y la transferencia de estilos artísticos. Elegir el tipo adecuado puede abrir nuevas posibilidades en sectores como la sanidad, la automoción y el entretenimiento.

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