La investigación en inteligencia artificial abarca muchos campos con el objetivo de conseguir la que podría ser la máquina inteligente ideal que percibe su entorno y realiza acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea.

En este contexto, el grupo Computer Vision and Pattern Discovery de la Universidad del País Vasco (UPV/EHU) aplica la visión por ordenador y el aprendizaje automático a imágenes biomédicas (detección de células, tejidos, tumores…), de la calle (localización de vehículos, peatones…) e incluso faciales, para percibir la belleza y estimar la edad cada vez mejor, como en el estudio que acaban de publicar en la revista Expert Systems With Applications.

“Básicamente, utilizamos técnicas modernas de inteligencia artificial para resolver problemas de imagen muy diversos, en imágenes de todo tipo: 2D, 3D, vídeos, etc.”, explica Ignacio Arganda, investigador Ikerbasque del Departamento de Ciencias de la Computación e Inteligencia Artificial de la UPV/EHU.

Se extraen diferentes características en redes artificiales y luego se utilizan para entrenar a los modelos con los que predecir la belleza

“Suelen ser técnicas de aprendizaje automático –añade–, porque normalmente partimos de un conjunto de datos, imágenes o vídeos etiquetados (en los que se conoce dónde están los objetos o qué tipo de categoría tienen), con los que enseñamos o entrenamos a nuestros modelos estadísticos o de inteligencia artificial a asignar esas mismas etiquetas a ejemplos que no habían visto antes”.

“En la predicción de la belleza, intentamos replicar las puntuaciones de belleza dadas en diferentes bases de datos, utilizando técnicas semisupervisadas (en las que no todas las imágenes están etiquetadas) explica Arganda. Para eso, utilizamos redes en las que se extraen diferentes características que se utilizan para entrenar a los modelos con los que predecir la belleza”.

En esta línea, los miembros del equipo han demostrado que el aprendizaje semisupervisado, nunca utilizado hasta ahora para este tipo de problema, da tan buenos resultados o incluso mejores que el supervisado (en el que todas las imágenes están etiquetadas).

“Respecto a la estimación de la edad, se utilizan redes neuronales convolucionales (CNN): lo que se tiene es una imagen de entrada; una serie de filtros van extrayendo características que ayudan a tomar la decisión final, o sea un número, en este caso la edad”, señala el investigador.

El investigador Ignacio Arganda. / UPV/EHU
El investigador Ignacio Arganda. / UPV/EHU

Los autores llevaron a cabo un estudio empírico para ver qué funciones de error ayudan a entrenar mejor a las redes en este ámbito, porque el error en las estimaciones se puede minimizar de maneras diferentes. Los resultados experimentales demuestran cómo se puede mejorar la estimación de la edad.

Redes neuronales profundas

Para este tipo de predicciones y estimaciones se utilizan redes neuronales profundas: “Son redes con muchísimas conexiones, muchísimos filtros, millones de datos… Pero es importante entender en qué se está fijando la red para predecir la edad de una persona, o hacer cualquier otro tipo de predicción. Actualmente, existe otro campo de investigación, en el que estamos sumergidos, llamado inteligencia artificial explicable o interpretable, que estudia técnicas con las que dilucidar en qué pone la red su atención”, explica Arganda.

Asimismo, el investigador alerta de que las técnicas de aprendizaje automático nos afectan en la vida más de lo que pensamos. «Se están generando muchísimos datos y se están tomando decisiones de alto nivel en función de estos sistemas. Es muy importante tener en cuenta el factor ético».

De hecho, en el aprendizaje automático se utilizan bases de datos gigantescas con las que se entrenan los modelos, y todos los sesgos que contienen estos datos se replican en las predicciones y estimaciones que hacen los modelos, y puede ser realmente nocivo. Actualmente hay investigaciones abiertas en la que se estudia cómo quitar los diferentes sesgos de los datos.

Referencia bibliográfica:

Fadi Dornaika, Kunwei Wang, Ignacio Arganda-Carreras, Anne Elorza, Abdelmalik Moujahid [y S.E. Bekhouche]. «Toward graph-based semi-supervised face beauty prediction». Expert Systems With Applications (2019). DOI:10.1016/j.eswa.2019.112990

Dejar respuesta

Please enter your comment!
Please enter your name here