La feria de la ciencia, que este año presenta su II edición, es un evento destinado a promover la ciencia donde se hace confluir a equipos de investigación, centros docentes, empresas y universidad con el objetivo de intercambiar experiencias, divulgar el conocimiento científico con espíritu crítico y comunicar aquellos avances que resultan más prometedores a través de nuestros jóvenes estudiantes.
En esta ocasión se celebrará entre los días 4 y 5 de mayo y el IES Carlos III de Aguadulce estará presente.
Nuestros jóvenes investigadores participarán en un proyecto colaborativo con la universidad de Almería llamado ENSEÑANDO A UNA MÁQUINA A RECONOCER OBJETOS MEDIANTE IMÁGENES, donde cuentan con el asesoramiento de un equipo de investigación dedicado al análisis de imágenes con visión artificial estando el profesor José Antonio Piedra Fernández, nuestro enlace, a la cabeza del mismo. Las materias de tecnología, TIC, matemáticas, biología y geología, educación física y física y química trabajarán con 3º y 4º de ESO para preparar el desarrollo del proceso de investigación, construir y programar los recursos necesarios y organizar la exposición que se celebrará en el Paseo de Almería en el mes de mayo.
Hablar de visión artificial es mucho más que conseguir que un robot «vea». El acto de ver, en sí mismo, no aporta mucho si no va asociado de un proceso de comprensión del contexto, del mundo que nos rodea. Ver, desde el punto de vista de una máquina, implica trabajar con el reconocimiento de patrones o singularidades específicas que contienen las imágenes (y, por ende, su agrupamiento en formato de vídeo).
A estas alturas de nuestra evolución tecnológica resulta sencillo conseguir que una máquina reconozca una imagen y ejecute una tarea cuando la reconozca. Ejemplos de esto lo encontramos al ver cómo un lector de códigos de barras de un producto en una tienda es capaz de marcar un precio en nuestra cuenta, al facturar los billetes en un vuelo, al leer un código QR o al abrir la sesión de nuestro smartphone mostrándole nuestra cara. El problema surge cuando hacemos que la máquina se enfrente a un entorno no habitual, para el que no ha sido enseñada previamente. Es ahora cuando debe ser capaz de analizar grupos de píxeles en un procesamiento automatizado para extraer información que sea capaz de utilizar para aprender en un proceso de ensayo-error y mejora continua. La clave, está en las matemáticas y sus algoritmos.
Un algoritmo es un grupo de instrucciones ordenadas que permiten dar solución a un problema planteado, realizar un cálculo, organizar una serie de datos o desarrollar una secuencia de trabajo dentro de una rutina mucho más compleja.
Para que la máquina aprenda debe entrenarse y esto lo logra por repetición. Contar con un registro suficientemente alto de imágenes etiquetadas ayuda a que el algoritmo madure a mayor velocidad reduciendo los errores y afinando su decisión. Así, si quisiéramos crear un programa que reconociera hojas enfermas en un cultivo tendríamos que contar con un catálogo tan grande como fuera posible de distintos tipos de hojas enfermas por distintas enfermedades y plagas. La computadora, así, reconocería aquellos píxeles específicos que muestran patrones que se corresponden con las características de una hoja dañada. Es lo que se da en llamar aprendizaje supervisado.
El problema ocurre cuando se analizan estos patrones y se descubre que pueden existir varios millones distintos afectando así a la capacidad de computación. Llegados a este punto es cuando entra en juego la Inteligencia Artificial (I.A.) y sus diferentes expresiones para el análisis de imágenes. El machine learning viene usándose desde los albores de la I.A. y consiste en el uso de algoritmos para aprender de los datos recopilados por un periférico de entrada (una cámara, por ejemplo) para, posteriormente, ser capaz de realizar un trabajo con ellos o una predicción. Numerosas herramientas matemáticas han sido empleadas al trabajar con machine learning (árboles de decisión, redes bayesianas, programación lógica inductiva…) y esto proceso no hace más que crecer y perfeccionarse.
Si tomamos la imagen de un cachorro, como la que se muestra a continuación y la convertimos adecuadamente para que sus formas y contornos sean más fácilmente reconocibles por nuestra computadora podríamos enseñarle a reconocer la forma de una oreja, o de los ojos o el hocico del animal para que al ver una imagen similar sea capaz de reconocer que se trata de un perro de corta edad y raza menuda; pero si cambia la raza, o la edad, o la posición del cuerpo o se encuentra en movimiento es posible que la imagen a estudiar no tengo nada con qué ser comparada.
Una mejora sustancial de esta filosofía de trabajo son las redes neuronales donde el algoritmo creado imita al córtex visual del ojo humano para identificar características de los objetivos que luego servirán para ser clasificadas conforme a los datos de un conocimiento previo. Y aquí, en este cocimiento previo, es donde surge un segundo nivel de profundización: el deep learning.
Esta filosofía es un caso particular del machine learning donde la máquina no recibe una catalogación de partida, antes bien, se asigna una sucinta lista de instrucciones que permitan al algoritmo corregirse cuando se detecten errores. De esta manera, igual que un bebé comienza a decir sus primeras palabras y somos los adultos quienes corregimos cuando señala a un perro y dice «mamá», nuestra máquina aprenderá de forma autónoma y de manera mucho más eficiente y rápida lo que se espera de ella.
Las aplicaciones de la visión artificial son enormes, incluso ahora, cuando todavía no hemos logrado depurar completamente los errores que contienen. Entre ellas, encontramos sistemas de inspección robotizada, instrumentos de vigilancia, reconocimiento de parámetros biómetricos, reconocimiento OCR para detección de letras, números y símbolos, seguridad del tráfico, localización de caras, tecnología clínica…
Nuestros estudiantes construirán una cabina sensorial que permita capturar características genuinas de la expresión facial. Emociones como alegría, tristeza, miedo, sorpresa… generan gestos y microexpresiones que no pueden ser replicadas de manera voluntaria. Dentro de la cabina, los voluntarios permanecerán sentados mirando hacia una cámara que registrará los movimientos de su cara y a través de unos auriculares recibirán una serie de estímulos acústicos. Al mismo tiempo, extraerán el brazo por un manguito alojado en un lateral de la cabina sin opción de poder apreciar qué está ocurriendo al otro lado.
Es fácil intuir que sensaciones difíciles de generar en un ambiente no controlado aflorarán con facilidad cuando uno no es consciente de a qué se enfrenta, qué hay al otro lado y qué tipo de prueba le espera. Mientras, un potente software de reconocimiento de imágenes, analizará en tiempo real los gestos y nos ofrecerá una valoración de nuestro estado.
Desde la segunda semana de marzo, un equipo de investigación de la UAL visitará nuestro centro para constatar el avance del trabajo acometido y realizar una serie de experiencias multimedia con nuestro alumnado para comprobar el grado de fiabilidad de los algoritmos que se emplearán en el stand de la feria donde serán los propios estudiantes quienes expliquen cómo funciona el equipo y los secretos de esta tecnología que está llamada a cambiar (esperemos que a mejor) el mundo en que vivimos.
Post: Javier Luque.
Créditos (CC0):