México 10 diciembre.- Investigadores del Instituto Tecnológico de Massachussets (MIT) crearon una nueva técnica escalable que utiliza datos sintéticos para mejorar la precisión de los modelos de IA (inteligencia artificial ) que reconocen imágenes.
El uso de datos de imágenes reales puede generar preocupaciones prácticas y éticas: las imágenes podrían infringir las leyes de derechos de autor, violar la privacidad de las personas o estar sesgadas contra un determinado grupo racial o étnico.
Para evitar estas trampas, los investigadores pueden usar programas de generación de imágenes para crear datos sintéticos para el entrenamiento de modelos. Pero estas técnicas son limitadas.
Los investigadores del MIT, el MIT-IBM Watson AI Lab y otros socios adoptaron un enfoque diferente, usar varios programas de generación de imágenes para crear datos sintéticos para el entrenamiento previo del modelo. Pero los programas debían diseñarse cuidadosamente para que las imágenes sintéticas coincidieran con ciertas propiedades de las imágenes reales.
Programas de imágenes
Comenzaron reuniendo una colección de 21.000 programas de generación de imágenes de Internet. Todos los programas están escritos en un lenguaje de programación simple y comprenden solo unos pocos fragmentos de código, por lo que generan imágenes rápidamente. Estos programas producen diversas imágenes que muestran colores y texturas simples.
Además, se utilizaron un enorme conjunto de datos de programas de generación de imágenes para preentrenar modelos de visión artificial para tareas de clasificación de imágenes tanto supervisadas como no supervisadas. En el aprendizaje supervisado, los datos de la imagen se etiquetan, mientras que en el aprendizaje no supervisado, el modelo aprende a categorizar las imágenes sin etiquetas.
Los investigadores demostraron que aumentar la cantidad de programas de imágenes en el conjunto de datos también aumenta el rendimiento del modelo, lo que reveló un camino para lograr una mayor precisión.
