Investigadores de Málaga desarrollan una IA que aprende con solo cinco ejemplos y con alto nivel de precisión

Un equipo de investigadores de Málaga ha desarrollado una solución que permite que una inteligencia artificial (IA) aprenda a reconocer con un alto nivel de precisión nuevas categorías de objeto utilizando solo cinco ejemplos, sin necesidad de procesos de reentrenamiento largos y costosos.

Este método, denominado ProbaCLIP, ha sido desarrollado por un equipo de científicos liderado por el catedrático Ezequiel López Rubio, responsable del grupo de Inteligencia Computacional y Análisis de Imágenes del Instituto de Investigación Biomédica de Málaga (Ibima Plataforma Bionand) y la Universidad de Málaga (UMA).

Ventaja de ProbaCLIP

Tradicionalmente, para que una IA aprenda a distinguir entre un gato y un perro, o entre una célula sana y una cancerígena, necesita ver miles, o incluso millones, de imágenes etiquetadas, una barrera que rompe la solución desarrollada por los investigadores, según informó este viernes la Junta en un comunicado. La gran ventaja de ProbaCLIP es que es un método «libre de entrenamiento», a diferencia de otros sistemas actuales que requieren ajustar miles de parámetros internos cada vez que se les enseña algo nuevo.

La propuesta malagueña aprovecha un modelo de aprendizaje profundo ya preentrenado (llamado CLIP, desarrollado por OpenAI) y le añade una capa de estadística avanzada. «Nuestro método estima las probabilidades de que una imagen pertenezca a una clase u otra basándose únicamente en unos pocos ejemplos visuales», explican los autores del estudio publicado en la revista científica ‘Mathematics’.

Ejecución en dispositivos con recursos limitados

En pruebas estándar con bases de datos internacionales, el sistema alcanzó una precisión de hasta el 98,37% utilizando solo cinco imágenes por categoría, y llegó al 99,80% en tareas con 16 ejemplos. Según los investigadores, ProbaCLIP puede ejecutarse en dispositivos con recursos limitados (como móviles o sensores industriales) porque consume mucha menos energía y potencia de cálculo que los modelos convencionales que requieren entrenamiento constante. Esta tecnología tiene un impacto directo en sectores donde conseguir miles de imágenes es imposible o muy caro, como por ejemplo puede ser el diagnóstico médico para identificar enfermedades raras donde solo existen unos pocos casos documentados.

Además, la herramienta es útil para proceder con la inspección industrial, por ejemplo para detectar grietas o fallos específicos en piezas de fábrica sin tener que detener la producción para entrenar al sistema. El proyecto ha contado con el apoyo de la Junta, el Ministerio de Ciencia e Innovación, la Fundación Unicaja y el soporte técnico del centro de supercomputación SCBI de la UMA.

Suscríbete para seguir leyendo