Gaming Club
Regístrate
españaESPAÑAméxicoMÉXICOusaUSA
Betech
Ciencia y tecnología

Inteligencia artificial

La revolucionaria técnica matemática que explica cómo toman decisiones las IA en el análisis de imágenes

Un grupo de investigadores ha dado con un revolucionario método que puede mejorar de forma drástica el proceso de análisis de imágenes por parte de los sistemas de aprendizaje automático.

inteligencia artificial ia aprendizaje automatico machine learning

En la actualidad, muchas tecnologías dependen del aprendizaje automático o machine learning: desde asistentes personales como Siri o ChatGPT hasta coches con sistemas de conducción autónoma. Estos sistemas mejoran continuamente gracias a la información que reciben, adaptándose a las necesidades de los usuarios. Sin embargo, el funcionamiento preciso de estos sistemas ha sido un enigma incluso para sus propios investigadores, lo que ha llevado a que se les denomine “cajas negras”. Recientemente se ha desarrollado una técnica matemática que proporciona una comprensión más profunda y clara del proceso de toma de decisiones de la IA, y que pasamos a detallar a continuación:

Así es el método matemático que permite entender cómo toma decisiones la IA

Un estudio reciente, publicado en la revista PNAS a principios de 2025, ha demostrado que es posible comprender mejor el proceso de toma de decisiones de las inteligencias artificiales mediante una técnica matemática. El estudio, titulado “Segmentación de imágenes con ondas que viajan en una red neuronal recurrente y exactamente resoluble”, revela que el comportamiento de los sistemas de aprendizaje automático puede reducirse a una serie de iteraciones y pasos, más comprensibles para los investigadores.

aprendizaje automatico machine learning ia inteligencia artificial analisis imagenes segmentacion
Ampliar
El proceso de segmentación es usado durante el desarrollo de modelos de aprendizaje automático para que sus creadores refinen su proceso de toma de decisiones, y a su vez entiendan cómo esta IA llega a sus conclusiones

“Creamos redes neuronales que pueden llevar a cabo tareas específicas y que, a su vez, nos permiten resolver las ecuaciones específicas que rigen su actividad y patrones de comportamiento”, relata Lyle Muller, profesor de matemáticas y director del Laboratorio de Ciencia y Redes de Western Field. “La solución matemática con la que hemos dado nos permite abrir la ‘caja negra’ para entender mejor y de manera más precisa cómo y por qué las redes neuronales hacen lo que hacen”, añade.

A grandes rasgos, la técnica elaborada se basa en un proceso llamado segmentación, una parte fundamental del aprendizaje automático en el que los sistemas de machine learning dividen imágenes en diferentes partes, como por ejemplo separar los objetos de una imagen del fondo propiamente dicho. Comenzando con figuras geométricas simples como cuadrados y triángulos, estos investigadores crearon una nueva red neuronal que era capaz de segmentar las imágenes introducidas.

Las redes neuronales y los sistemas de aprendizaje automático se rigen por una serie de reglas matemáticas, y pueden llegar a conclusiones distintas en función de estos parámetros prestablecidos
Ampliar
Las redes neuronales y los sistemas de aprendizaje automático se rigen por una serie de reglas matemáticas, y pueden llegar a conclusiones distintas en función de estos parámetros prestablecidosPlan de Recuperación, Transformación y Resilencia

Tras esto, Muller y el resto del equipo utilizaron un enfoque matemático avanzado previamente usado en otras redes neuronales, para estudiar cómo la red llevaba a cabo el proceso de segmentación introduciendo las mismas imágenes. Este cambio en el “proceso de razonamiento” de la red neuronal sirvió para que el equipo entendiese cómo el sistema llegaba a su conclusión final paso a paso. De manera inesperada, los investigadores aprendieron que, con el nuevo enfoque, la IA también podía interpretar varias imágenes naturales, como fotografías de un oso polar en la nieve o un pájaro en la naturaleza.

Simplificando el proceso para obtener conclusiones a nivel matemático, fuimos capaces de construir una red neuronal que era más flexible que con otros enfoques, y también tenía un rendimiento aceptable con entradas de imágenes que nunca había visto. Lo más interesante es que esto es solo el comienzo, ya que creemos que este entendimiento a nivel matemático puede ser muy útil en el futuro”, detallaba Muller.

sony honda mobility afeela coche electrico
Ampliar
Coches como el AFEELA 1 de Sony Honda Mobility utilizan sistemas de conducción autónoma que dependen de la detección de imágenes del entorno del vehículo

En resumen, este avance podría marcar un hito en el terreno de los modelos de aprendizaje automático y las inteligencias artificiales, ya que el enfoque matemático durante el proceso de segmentación puede consolidarse en un futuro como una metodología más sólida y flexible de cara a desarrollar estos sistemas y hacer que su capacidad de aprendizaje y adaptación sean mayores que los vistos hasta ahora. Esto podría llevar a mejoras no solo en el campo de la IA, sino también en terrenos como el procesamiento de imágenes en forma de análisis de reconocimiento facial y de reconocimiento del entorno para coches autónomos.

Normas