La revolucionaria t¨¦cnica matem¨¢tica que explica c¨®mo toman decisiones las IA en el an¨¢lisis de im¨¢genes

En la actualidad, muchas tecnolog¨ªas dependen del aprendizaje autom¨¢tico o machine learning: desde asistentes personales como Siri o ChatGPT hasta coches con sistemas de conducci¨®n aut¨®noma. Estos sistemas mejoran continuamente gracias a la informaci¨®n que reciben, adapt¨¢ndose 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 t¨¦cnica matem¨¢tica que proporciona una comprensi¨®n m¨¢s profunda y clara del proceso de toma de decisiones de la IA, y que pasamos a detallar a continuaci¨®n:

As¨ª es el m¨¦todo matem¨¢tico que permite entender c¨®mo 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 t¨¦cnica matem¨¢tica. El estudio, titulado ¡°Segmentaci¨®n de im¨¢genes con ondas que viajan en una red neuronal recurrente y exactamente resoluble¡±, revela que el comportamiento de los sistemas de aprendizaje autom¨¢tico puede reducirse a una serie de iteraciones y pasos, m¨¢s comprensibles para los investigadores.

¡°Creamos redes neuronales que pueden llevar a cabo tareas espec¨ªficas y que, a su vez, nos permiten resolver las ecuaciones espec¨ªficas que rigen su actividad y patrones de comportamiento¡±, relata Lyle Muller, profesor de matem¨¢ticas y director del Laboratorio de Ciencia y Redes de Western Field. ¡°La soluci¨®n matem¨¢tica con la que hemos dado nos permite abrir la ¡®caja negra¡¯ para entender mejor y de manera m¨¢s precisa c¨®mo y por qu¨¦ las redes neuronales hacen lo que hacen¡±, a?ade.

A grandes rasgos, la t¨¦cnica elaborada se basa en un proceso llamado segmentaci¨®n, una parte fundamental del aprendizaje autom¨¢tico en el que los sistemas de machine learning dividen im¨¢genes en diferentes partes, como por ejemplo separar los objetos de una imagen del fondo propiamente dicho. Comenzando con figuras geom¨¦tricas simples como cuadrados y tri¨¢ngulos, estos investigadores crearon una nueva red neuronal que era capaz de segmentar las im¨¢genes introducidas.

Tras esto, Muller y el resto del equipo utilizaron un enfoque matem¨¢tico avanzado previamente usado en otras redes neuronales, para estudiar c¨®mo la red llevaba a cabo el proceso de segmentaci¨®n introduciendo las mismas im¨¢genes. Este cambio en el ¡°proceso de razonamiento¡± de la red neuronal sirvi¨® para que el equipo entendiese c¨®mo el sistema llegaba a su conclusi¨®n final paso a paso. De manera inesperada, los investigadores aprendieron que, con el nuevo enfoque, la IA tambi¨¦n pod¨ªa interpretar varias im¨¢genes naturales, como fotograf¨ªas de un oso polar en la nieve o un p¨¢jaro en la naturaleza.

¡°Simplificando el proceso para obtener conclusiones a nivel matem¨¢tico, fuimos capaces de construir una red neuronal que era m¨¢s flexible que con otros enfoques, y tambi¨¦n ten¨ªa un rendimiento aceptable con entradas de im¨¢genes que nunca hab¨ªa visto. Lo m¨¢s interesante es que esto es solo el comienzo, ya que creemos que este entendimiento a nivel matem¨¢tico puede ser muy ¨²til en el futuro¡±, detallaba Muller.

En resumen, este avance podr¨ªa marcar un hito en el terreno de los modelos de aprendizaje autom¨¢tico y las inteligencias artificiales, ya que el enfoque matem¨¢tico durante el proceso de segmentaci¨®n puede consolidarse en un futuro como una metodolog¨ªa m¨¢s s¨®lida y flexible de cara a desarrollar estos sistemas y hacer que su capacidad de aprendizaje y adaptaci¨®n sean mayores que los vistos hasta ahora. Esto podr¨ªa llevar a mejoras no solo en el campo de la IA, sino tambi¨¦n en terrenos como el procesamiento de im¨¢genes en forma de an¨¢lisis de reconocimiento facial y de reconocimiento del entorno para coches aut¨®nomos.