El avance del aprendizaje de máquinas genera nuevas tecnologías basadas en el análisis de imágenes

En su conferencia durante la FAPESP Week France, la investigadora de la USP Nina Hirata habló de las técnicas de deep learning que dotan de mayor autonomía al proceso de entrenamiento de máquinas y abren el camino hacia aplicaciones de inteligencia artificial en áreas tales como las de seguridad pública, medicina, astronomía y biología marina

Por Maria Fernanda Ziegler, desde Lyon  |  Agência FAPESP – El avance de las técnicas de deep learning –una rama del machine learning que apunta al entrenamiento de máquinas de modo tal que aprendan por sí solas a través del reconocimiento de patrones y que, de ese modo, actúen e interpreten datos más naturalmente– ha hecho posibles innovaciones importantes basadas en el análisis de imágenes, tales como el reconocimiento facial y la detección de cuerpos celestes, o sistemas capaces de describir el contenido de una foto.

“Tareas comunes en problemas de análisis de imágenes, tales como la clasificación, el reconocimiento de objetos, la segmentación [la delineación precisa del contorno de los objetos] y la interpretación de contenidos pueden abordarse mediante la aplicación de técnicas de machine learning y, sobre todo en los últimos años, con técnicas de deep learning”, dijo Nina Hirata, investigadora del Instituto de Matemática y Estadística de la Universidad de São Paulo (IME-USP), durante su conferencia el pasado jueves 21 de noviembre, en el marco de la programación de la FAPESP Week France.

Tal como explicó la investigadora, el deep learning comprende técnicas que permiten procesar imágenes directamente, sin que un humano tenga que describirle las características de las imágenes a la máquina durante su entrenamiento.

“Antes era necesario escribir algoritmos muy específicos para extraer información de ciertas características de las imágenes. Cada caso era un caso. El proceso era extremadamente manual. Hoy en día, con el deep learning, esta tarea se ha vuelto mucho más fácil, lo cual nos permite enfocarnos en tareas de un nivel más elevado. En el caso de las imágenes biomédicas, por ejemplo, en lugar de abocar nuestros esfuerzos a la segmentación y a la extracción de características de células individuales en un tejido, podemos canalizar esos esfuerzos hacia la comparación de tejidos”, dijo Hirata.

No obstante, pese a los diversos aspectos positivos de esta tecnología, existen también distintos retos que deben encararse, añadió la investigadora. “El Deep learning es una especie de caja negra: es sumamente difícil explicar por qué está funcionando o por qué a veces deja de funcionar”, dijo Hirata.

Interdisciplinariedad

La profesora de la USP trabaja actualmente en un proyecto dedicado a la comprensión de imágenes y de modelos de deep learning. Otro objetivo de esa investigación consiste en poner a prueba la aplicación de esos modelos en diversas áreas diversas de la ciencia, tales como el reconocimiento de especies de plancton y la detección de cuerpos celestes en imágenes capturadas mediante telescopios. La nvestigadora mencionó también otros proyectos en marcha en el instituto: uno de ellos tiene el objetivo de medir cuán verde es una ciudad con base en datos de Google Street View.

“En mi experiencia me percaté de que existe una dificultad de comunicación entre investigadores de áreas distintas, una barrera que dificulta a su vez las colaboraciones multidisciplinarias. Esto debe cambiar, pues hoy en día es prácticamente imposible hacer una investigación sin apoyarse en datos y en la ciencia de la computación”, dijo.

Para Hirata, es necesario que investigadores de otras áreas entiendan cómo formular problemas computacionales y, al mismo tiempo, que los estudiantes del área de computación se capaciten para operar más directamente con problemas reales.

El simposio FAPESP Week France tuvo lugar entre los días 21 y 27 de noviembre en el marco de una colaboración entre la FAPESP y las universidades de Lyon y de París, ambas de Francia. Lea otras noticias sobre el evento en: www.fapesp.br/week2019/france/.