Visión por computadora

La visión por computadora (o visión artificial) es el área de la IA dedicada a que las máquinas extraigan información útil de imágenes y videos. Para una computadora, una foto es sólo una cuadrícula de números que indican el color de cada píxel; el reto es pasar de esos números a conceptos como «hay un perro», «esta pieza tiene una grieta» o «este semáforo está en rojo».

Sus tareas típicas incluyen clasificar imágenes, la detección de objetos (ubicar con un recuadro cada elemento), la segmentación (marcar qué píxeles pertenecen a qué objeto), el reconocimiento óptico de caracteres y el reconocimiento facial.

Durante décadas se programaban a mano detectores de bordes y formas. El gran salto llegó con las redes neuronales convolucionales: en 2012, el modelo AlexNet ganó por amplio margen la competencia ImageNet de clasificación de imágenes y popularizó el aprendizaje profundo. Hoy también se usan transformers de visión y modelos multimodales que combinan imagen y texto.

Se aplica en control de calidad industrial, agricultura, diagnóstico por imagen, vehículos autónomos y comercio. Sus riesgos son conocidos: los sistemas pueden fallar con iluminación o ángulos que no vieron al entrenarse, y el reconocimiento facial plantea problemas serios de privacidad y de sesgo cuando los datos de entrenamiento no representan a toda la población.