Ideado por Ibermática, se puede aplicar para controlar accesos, comprobar la calidad de piezas fabricadas o evitar la picaresca del cambio de etiquetas en los supermercados
La nueva línea de negocio impulsada por Ibermática en torno a la Inteligencia Artificial sigue dando sus frutos, desarrollando novedosos sistemas con aplicación práctica en el mundo empresarial. Una de sus últimas creaciones tiene que ver con las redes neuronales artificiales que, entre muchas otras cosas, se pueden aplicar para el control de accesos a zonas de seguridad en base a la clasificación de individuos por medio del reconocimiento facial, comprobar la calidad en el acabado de piezas en las líneas de producción de las fábricas, o incluso para evitar la picaresca del cambio de etiquetas de productos en los supermercados.
La nueva línea de negocio impulsada por Ibermática en torno a la Inteligencia Artificial sigue dando sus frutos, desarrollando novedosos sistemas con aplicación práctica en el mundo empresarial. Una de sus últimas creaciones tiene que ver con las redes neuronales artificiales que, entre muchas otras cosas, se pueden aplicar para el control de accesos a zonas de seguridad en base a la clasificación de individuos por medio del reconocimiento facial, comprobar la calidad en el acabado de piezas en las líneas de producción de las fábricas, o incluso para evitar la picaresca del cambio de etiquetas de productos en los supermercados.
Pero este sistema puede tener infinidad de aplicaciones. Ibermática utiliza redes neuronales artificiales para desarrollar funcionalidades prácticas para el uso diario. Es muy útil, por ejemplo, para catalogar imágenes en cualquier ámbito. Desde el reconocimiento óptico de caracteres (como existe en los aparcamientos en los que se reconoce la matrícula automáticamente), hasta las catalogaciones digitales, por ejemplo para buscar una persona en un lugar, o un objeto en un momento concreto de un vídeo, de forma rápida y sencilla.Y es que el sistema puede aprender qué es un coche, o una persona, o cómo se llama el edificio que aparece en una imagen. Para ello ha de ser entrenado con anterioridad, a base de enseñarle, de forma manual, imágenes de modelos de vehículos, de letras, etcétera (ya existen grandes bases de datos con fotografías de todo tipo) y entrenar al sistema a través de repeticiones, mostrándole ese contenido visual muchas veces.Lo mismo sucede para aplicar el sistema en un supermercado. Se utiliza para controlar que lo que realmente se está cobrando al pasar por caja es el producto verdadero y se evite la picaresca de cambiar la etiqueta de uno más caro por la de otro más barato. Normalmente no hay tiempo para hacer esta comprobación, así que el sistema, a través de una cámara puesta en caja, confirma que lo que se cobra coincide con la imagen que se está viendo. El sistema aprende cuál es la apariencia externa tanto del paquete como del contenido, y de esa forma se evita el engaño.
La importancia de inferir
Todas estas aplicaciones son posibles gracias a entrenamientos a base de repeticiones de imágenes. Según se van metiendo más fotografías iguales, se repiten patrones que identifican cada clase. Y cuantas más repeticiones se hagan, más fiabilidad y confianza habrá para que esas características principales que el sistema detecta pertenezcan a esa clase. Cuantas más fotografías, más certeza habrá de que el objeto o imagen es realmente lo que es.
Sin embargo, si se sobre-entrena al sistema, la máquina deja de inferir y lo que hace es aprender. Por ejemplo, si se dice al sistema muchas veces que una persona es una persona, si un día se deja barba no le va a identificar, porque al dejar de inferir, hasta que no encuentre una foto exacta no va a determinar que es realmente esa persona.
