Visión por computadora

La visión por computadora (visión artificial, computer vision) es el campo de la IA que logra que una computadora entienda imágenes y video. Para una computadora, una foto es solo una grilla de números, uno por píxel; la visión por computadora convierte esa grilla en afirmaciones útiles como 'hay un peatón a 10 metros', 'esta radiografía muestra una fractura' o 'este ticket dice 4.250'.

Abarca una familia de tareas. La clasificación dice qué muestra una imagen ('gato'). La detección de objetos encuentra cada cosa y le dibuja un recuadro alrededor, con un puntaje de confianza. La segmentación recorta los objetos píxel por píxel. Otras tareas leen texto en imágenes (OCR), reconocen caras, estiman posturas del cuerpo o siguen objetos a lo largo de un video. Los sistemas modernos aprenden todo esto con deep learning, entrenados con millones de imágenes etiquetadas; un punto de quiebre fue 2012, cuando una red profunda ganó por amplio margen el concurso de reconocimiento de imágenes ImageNet.

La usás todo el tiempo: al desbloquear el celular con la cara, al buscar 'playa' entre tus fotos, al depositar un cheque desde la app del banco, al escanear un código QR, en las cajas del súper que reconocen productos. También guía la inspección en fábricas, el monitoreo de cultivos, las imágenes médicas y los autos que frenan solos. Los puntos débiles son los de siempre en machine learning: puede fallar en situaciones distintas a las de sus imágenes de entrenamiento, y el reconocimiento facial en particular abre preguntas serias sobre errores, sesgos y vigilancia.