Tradicionalmente, para que una Inteligencia Artificial (IA) aprenda a distinguir entre un gato y un perro, o entre una célula sana y una cancerígena, necesita «ver» miles, o incluso millones, de imágenes etiquetadas. Sin embargo, un equipo de científicos liderado por el catedrático Ezequiel López Rubio, responsable del grupo de Inteligencia Computacional y Análisis de Imágenes de IBIMA Plataforma BIONAND y la Universidad de Málaga (UMA), ha desarrollado una solución que rompe esta barrera.
Junto a los investigadores Marcos Sergio Pacheco dos Santos Lima Junior (departamento de Lenguajes y Ciencias de la Computación de la UMA) y Juan Miguel Ortiz de Lazcano Lobato (IBIMA y UMA), han presentado ProbaCLIP. Esta innovadora metodología permite que una IA aprenda a reconocer nuevas categorías de objetos utilizando solo un «puñado» de ejemplos (técnica conocida como few-shot learning), alcanzando niveles de precisión elevados sin necesidad de procesos de reentrenamiento largos y costosos.
Por su parte, cabe destacar que el proyecto ha contado con el apoyo de la Junta de Andalucía, el Ministerio de Ciencia e Innovación, la Fundación Unicaja y el soporte técnico del centro de supercomputación SCBI de la Universidad de Málaga.
Aprender «sobre la marcha» y sin etiquetas de texto
La gran ventaja de ProbaCLIP es que es un método «libre de entrenamiento» (training-free). Mientras que otros sistemas actuales requieren ajustar miles de parámetros internos cada vez que se les enseña algo nuevo, la propuesta malagueña aprovecha un modelo de aprendizaje profundo ya preentrenado (llamado CLIP, desarrollado por OpenAI) y le añade una capa de estadística avanzada.
«Nuestro método estima las probabilidades de que una imagen pertenezca a una clase u otra basándose únicamente en unos pocos ejemplos visuales», explican los autores en el estudio publicado en la revista científica Mathematics. A diferencia de otras variantes, ProbaCLIP no necesita ni siquiera descripciones de texto para funcionar; se guía puramente por lo que «ve» en las imágenes.
Precisión casi perfecta y eficiencia energética
Los resultados de la investigación son contundentes. En pruebas estándar con bases de datos internacionales, el sistema alcanzó una precisión de hasta el 98,37% utilizando solo cinco imágenes por categoría, y llegó al 99,80% en tareas con 16 ejemplos.
Además de ser preciso, es extremadamente ligero y rápido. Según los investigadores, ProbaCLIP puede ejecutarse en dispositivos con recursos limitados (como móviles o sensores industriales) porque consume muchísima menos energía y potencia de cálculo que los modelos convencionales que requieren entrenamiento constante.
Aplicaciones: De la medicina a la inspección de infraestructuras
Esta tecnología tiene un impacto directo en sectores donde conseguir miles de imágenes es imposible o muy caro, como por ejemplo puede ser el diagnóstico médico para identificar enfermedades raras donde solo existen unos pocos casos documentados.
Además, la herramienta es útil para proceder con la inspección industrial, esto es, detectar grietas o fallos específicos en piezas de fábrica sin tener que detener la producción para entrenar al sistema. Otro ámbito donde es de gran utilidad es para reconocer objetos o patrones anómalos de forma instantánea.
Para lograr este hito, los científicos utilizaron una técnica matemática denominada Análisis de Componentes Principales (PCA), que ayuda a la IA a descartar la información irrelevante y centrarse solo en los detalles que realmente diferencian a un objeto de otro, evitando que la máquina se confunda ante datos espurios.
