Visión artificial: cómo analizar imágenes con IA

La visión artificial, también conocida como computer vision, es la rama de la inteligencia artificial que permite a una computadora analizar imágenes y video para extraer información de ellos: qué objetos hay, dónde están y qué está ocurriendo en la escena. El desafío de fondo es que, para una máquina, una imagen no es más que una grilla enorme de números que representan los píxeles y sus colores, de modo que pasar de esa grilla a una comprensión útil como hay un perro corriendo en un parque es un problema sorprendentemente complejo, aunque a las personas nos resulte trivial. Durante décadas se intentó resolver escribiendo reglas a mano sobre cómo luce cada cosa, con resultados pobres, y el gran salto llegó con el aprendizaje automático, que en lugar de reglas aprende los patrones a partir de millones de ejemplos. Gracias a eso, la visión artificial pasó de ser poco confiable a estar presente en el desbloqueo facial de los teléfonos, los sistemas de asistencia a la conducción, el control de calidad industrial y el diagnóstico médico asistido, entre muchos otros usos.

Son cuatro, y se ordenan por niveles crecientes de detalle. La clasificación es la más simple: responde a la pregunta de qué hay en la imagen asignándole una o varias etiquetas globales, pero sin indicar dónde está cada cosa. La detección de objetos va un paso más allá y responde qué hay y dónde, dibujando un recuadro alrededor de cada objeto relevante y etiquetándolo, lo que aporta ubicación y cantidad además de presencia; sirve por ejemplo para contar autos o localizar piezas defectuosas. La segmentación alcanza el máximo detalle espacial, marcando exactamente qué píxeles pertenecen a cada objeto y dibujando su silueta precisa en lugar de una simple caja, lo que permite separar con exactitud un objeto del fondo. La descripción, finalmente, genera una frase en lenguaje natural que resume lo que ocurre en la imagen, combinando la visión con el lenguaje, y resulta muy útil para accesibilidad y búsqueda. Cada tarea encaja con usos distintos, y elegir la adecuada depende de si se necesita solo saber qué hay, dónde está, con qué precisión o describirlo en palabras.

Aprende mediante aprendizaje automático, es decir, a partir de ejemplos y no de reglas escritas a mano. Se lo entrena mostrándole enormes cantidades de imágenes ya etiquetadas, es decir fotos donde previamente alguien marcó qué hay en cada una, y el modelo va ajustando sus parámetros internos hasta ser capaz de reconocer por su cuenta los rasgos que distinguen una categoría de otra, desde bordes y texturas simples en sus capas iniciales hasta objetos completos en las superiores. Nadie le programa cómo luce un gato; el modelo lo deduce de haber visto muchísimos gatos etiquetados. La consecuencia central de este mecanismo es que el modelo es solo tan bueno como los datos con los que se entrenó: si esos datos son poco variados o poco representativos de las condiciones reales de uso, el modelo fallará precisamente en los casos que no vio bien representados, por ejemplo de noche si solo se entrenó de día. Esta dependencia de los datos es también el origen de los sesgos que puede arrastrar, y es la misma lección que atraviesa todo el aprendizaje automático.

La visión artificial clásica consiste en modelos que realizan una tarea específica sobre imágenes —clasificar, detectar, segmentar— y devuelven datos estructurados, como etiquetas o coordenadas, más que una conversación. Los modelos multimodales representan una evolución: combinan la capacidad de ver con la de entender y generar lenguaje en un mismo sistema, de modo que se les puede mostrar una imagen y hacerles preguntas sobre ella en palabras, obteniendo respuestas también en palabras. Por ejemplo, mostrarles la foto de una heladera y preguntar qué se puede cocinar con lo que hay, o una captura de un error de programa y pedir que lo expliquen. Esto difumina la frontera entre analizar una imagen y conversar sobre ella, y abre usos que antes requerían construir sistemas a medida. Sin embargo, no reemplazan del todo a los modelos de visión dedicados: para tareas muy específicas y de gran volumen, como contar piezas en una línea de producción, un modelo especializado sigue siendo más eficiente y económico que un modelo multimodal general, así que ambos enfoques conviven según la necesidad.

El reconocimiento facial, que es la aplicación de la visión artificial a identificar personas concretas, plantea riesgos particularmente serios que lo distinguen de otros usos. El primero es de privacidad y vigilancia: identificar automáticamente a las personas en imágenes o video puede habilitar formas de seguimiento masivo que afectan derechos fundamentales, razón por la cual su uso está cada vez más regulado y en algunos contextos directamente restringido o prohibido. El segundo es el de los sesgos: diversos estudios han mostrado que muchos sistemas de reconocimiento facial funcionan con menor precisión para ciertos grupos de personas, según características como el tono de piel o el género, debido a que fueron entrenados con datos poco representativos, y esos errores pueden tener consecuencias graves cuando el sistema se usa para decisiones importantes. A esto se suma que el modelo puede equivocarse con alta confianza. Por todo ello, el uso del reconocimiento facial debe ser legal, contar con consentimiento cuando corresponde, ser proporcionado al fin buscado, y contemplar siempre validación humana en las decisiones que afectan a las personas.

Con cautela y según lo que esté en juego. Un modelo de visión bien entrenado acierta en la gran mayoría de los casos dentro del dominio para el que fue preparado, pero tiene fallas importantes que impiden confiar en él de forma ciega. Puede equivocarse y, lo que es más engañoso, hacerlo con una certeza altísima, de modo que su nivel de confianza no es garantía de acierto. Es sensible a las condiciones de la imagen, como la iluminación, el ángulo o que un objeto esté parcialmente tapado, y su desempeño cae cuando se lo enfrenta a imágenes muy distintas de las que vio en el entrenamiento. Además, existen manipulaciones diseñadas específicamente para engañarlo, conocidas como ejemplos adversarios, y no comprende el contexto ni el sentido de una escena como lo haría una persona, sino que reconoce patrones visuales. Por todo esto, en aplicaciones críticas —diagnóstico médico, seguridad, decisiones que afectan a personas— el modelo debe usarse como apoyo y no como decisor final, siempre con validación humana y con conciencia de sus límites, mientras que para usos de bajo riesgo su margen de error suele ser perfectamente aceptable.