Saltar la navegación

4.3. Reconocimiento de imágenes

Retor diceEl reconocimiento de imágenes es otra importante aplicación de la IA. en este caso,  la IA es capaz de identificar, analizar y comparar las matrices de bits que componen una imagen digital, con el objetivo de realizar alguna acción a partir de la información obtenida. 

De esta forma la IA  es capaz de identificar personas, lugares, objetos y cualquier otro elemento que se encuentre en una imagen. Se apoya también en el Machine Learning y el Deep Learning. 

1. Creamos nuestro modelo de reconocimiento de imágenes

Para poder interpretar cualquier imagen, esta red neuronal debe ser entrenada a partir de otras imágenes, las cuales deben mostrar claramente el tipo de información que queremos encontrar. Durante este entrenamiento la inteligencia artificial va aprendiendo y almacenando grandes volúmenes de datos que le ayudarán a analizar nuevas imágenes. 

Con LearningML la creación de modelos para reconocer imágenes es igual a la de reconocimiento de texto, con las mismas fases: entrenar, aprender y probar. La única diferencia es que los ejemplos que añadimos son imágenes en lugar de textos.

En este videotutorial Juan David Rodríguez (creador de la plataforma LearningM) te enseñará a construir modelos de reconocimiento de imágenes y aplicaciones con Scratch que usen esos modelos.


Recuerda que si lo necesitas puedes activar los subtítulos del video.

Actividad

El sesgo al seleccionar los datos

Reconocimiento facialLa toma de datos está sujeta al sesgo causado por el programador, o  sesgo causado por los datos. Los datos de entrenamiento que se basan en datos etiquetados con sesgo darán lugar a prejuicios y omisiones en un modelo predictivo, aunque el algoritmo de aprendizaje automático sea legítimo.

Los datos etiquetados que se utilizan para entrenar un algoritmo de aprendizaje automático específico deben ser una muestra estadísticamente representativa para no sesgar los resultados. 

Debido a que los datos etiquetados disponibles para entrenar sistemas de reconocimiento facial no han sido representativos de una población, los grupos peor representados en los datos etiquetados a menudo se clasifican erróneamente posteriormente. En los EE.UU. se denunciaron muchos casos de hombres de raza negra arrestados después de que el reconocimiento facial los identificara falsamente como sospechosos en casos penales. Es decir, es más probable que el software de reconocimiento facial cometa errores al intentar reconocer a mujeres y a personas con tonos de piel más oscuros, y que acierte con los hombres y aquellos con tonos de piel más claros.

El sesgo es un peso desproporcionado a favor o en contra de una cosa, persona o grupo en comparación con otra, generalmente de una manera que se considera injusta.