Jugar a los porcentajes

En términos generales, la inteligencia artificial (IA) es la inteligencia demostrada por las máquinas. Esta definición indica que la IA abarca una serie de temas. Por ejemplo, un algoritmo bastante simple implementado a través de circuitos electrónicos podría considerarse IA en cuanto el sistema comenzara a mostrar un comportamiento inteligente (por ejemplo, si la temperatura de la máquina alcanzara un determinado umbral, la máquina sabría apagarse por sí misma).

Los avances en IA han permitido que la tecnología realice un aprendizaje profundo, reconocimiento de imágenes y reconocimiento del habla. Aunque la investigación de la IA existe desde la década de 1940, los avances en la potencia de cálculo durante las últimas décadas han llevado finalmente a la IA a lograr hitos más notables. En sus primeras versiones, la IA venció al mejor jugador de ajedrez humano en 1997. Luego, en 2017, la IA fue capaz de vencer al mejor jugador humano de Go.

La IA se ha utilizado durante años en aplicaciones de reciclaje, también. En cuanto al uso de la IA en la visión artificial, ¿cómo identifican exactamente las máquinas un objeto y si es algo que debe mantenerse en el flujo o eliminarse? Estos son los principales retos que hay que resolver en relación con el uso de la IA en las tecnologías de clasificación de materiales reciclables.

Historia de la IA en la clasificación

El uso de la IA en la clasificación comenzó con sistemas en las décadas de 1970 y 1980. Estos sistemas se basaban en sensores ópticos y electrónicos que comparaban los valores de gris o los colores. En función de la relación entre estos colores, el circuito electrónico tomaba una decisión basada en reglas sobre si conservar o expulsar el material. Por ejemplo, la primera máquina de venta inversa (RVM) reconocía la forma de una botella basándose en la sombra que generaba, que era detectada por sensores ópticos preposicionados.

A principios de los años 90, se utilizaba la clasificación basada en píxeles de las imágenes de las cámaras en escala de grises y en color, en combinación con una electrónica hecha a medida, lo que limitaba las capacidades de la IA en términos de umbrales y decisiones. Con la aparición de los ordenadores personales (PC), se hizo posible utilizar esta tecnología para la clasificación de imágenes.

Se utilizó la tecnología de cámaras personalizadas para adquirir propiedades espectrales específicas y mejores posibilidades de agrupación, lo que permitió mejorar la precisión de la IA. Esto permitió asignar a cada píxel una clase específica de material basada en su contenido espectral. El color ya no era el único criterio de identificación.

Esta tecnología se combinó con el reconocimiento de objetos a finales de los años 90, lo que permitió agrupar diferentes píxeles de propiedades similares y combinarlos en un objeto.

En la década de 2000, los sistemas de imágenes hiperespectrales estaban disponibles y la potencia de los ordenadores aumentó aún más. Las redes neuronales artificiales (RNA) comenzaron a estar disponibles para los problemas de clasificación en el procesamiento de datos. Basándose en muestras previamente entrenadas para la aplicación y la máquina específicas, esta clase de IA podía ahora combinar diferentes características y propiedades para hacer una clasificación. Como resultado, se podían detectar materiales más complejos y se alcanzaba otro nivel de precisión en la clasificación.

Más tarde, en la década de 2000, aparecieron las llamadas máquinas de vectores de apoyo (SVM). Aunque suene a máquina física, se trata de modelos matemáticos que permiten a una máquina definir clusters en un espacio multidimensional. El almacenamiento de los resultados en tablas en el clasificador físico volvió a mejorar el rendimiento.

Común a todas las formas de IA mencionadas anteriormente utilizadas para la clasificación es el hecho de que los llamados aspectos de entrenamiento o aprendizaje de la IA deben ser supervisados. En el ejemplo muy simple del RVM de la década de 1970, el ingeniero tenía que colocar físicamente el sensor óptico en la ubicación correcta, y era necesario disponer de un conjunto de muestras etiquetadas para enseñar al sistema antes de poner el clasificador en funcionamiento.

La IA hoy

Hoy en día, la enseñanza inicial del sistema requiere que un ingeniero de visión por ordenador defina las características relevantes para la tarea de clasificación. Esto genera vectores de características a partir de los datos de la imagen, que luego se utilizan junto con las etiquetas para entrenar automáticamente la RNA o la SVM. Dado que el entrenamiento se realiza automáticamente sin la interacción del ingeniero, este enfoque se denomina aprendizaje no supervisado.

El siguiente paso en la evolución de la IA en la clasificación es el despliegue de las metodologías de aprendizaje profundo que estuvieron disponibles en la década de 2010 y que ahora se utilizan en una serie de aplicaciones. Este tipo de redes se inventaron hace décadas. Debido a un aumento masivo de la potencia de procesamiento en las unidades de procesamiento gráfico modernas y a millones de imágenes generalmente disponibles y etiquetadas, ahora es posible aplicarlas a problemas prácticos.

Las llamadas redes neuronales convolucionales profundas siguen siendo una RNA; pero, en comparación con las primeras derivaciones, tienen un número mucho mayor de capas y neuronas. En consecuencia, las redes son más potentes. Sin embargo, también requieren muchos más datos de entrenamiento que los enfoques tradicionales.

La mayor ventaja de las redes neuronales convolucionales es que el paso de extracción de características también se realiza automáticamente durante el entrenamiento de la red. Como resultado, ya no es necesario que un ingeniero de visión por ordenador defina manualmente las características relevantes para la tarea. Normalmente, las primeras capas de la red generan características, que se integran en características más complejas en las capas siguientes y luego se clasifican en las últimas capas.

Estas redes pueden combinarse casi como bloques de construcción, estando cada una de ellas preentrenada para una determinada tarea. De este modo, el diseño puede adaptarse a la aplicación en cuestión. Las tecnologías de aprendizaje profundo tienen un gran impacto en el reconocimiento de imágenes en particular.

Una mirada al futuro

La fase actual de desarrollo de la IA -especialmente los aspectos de aprendizaje profundo- permitirá a la industria del reciclaje afrontar retos actualmente no resueltos.

Hoy en día, sigue siendo necesaria una estación de selección manual al final de una línea para mejorar la calidad del producto final hasta el nivel deseado. Un ejemplo podría verse con los cartuchos de silicona, que no son deseables en una corriente de polietileno. Para recogerlos con un robot, o para expulsarlos a través de un último clasificador óptico, sería necesario detectarlos primero.

Para esta capacidad, la IA y el aprendizaje profundo desempeñarán un papel importante en la mejora de la eficiencia. La combinación de estas nuevas formas de IA con el potencial del big data (por ejemplo, con los datos que ya podemos recoger de las máquinas hoy en día) abrirá aún más oportunidades para aumentar la producción, reducir los costes y mejorar la calidad.

Hay una idea de que la IA actual es como encontrar un almuerzo gratis y un patito feo. Ambas ideas son teoremas matemáticos reales que se relacionan con el tema de la inteligencia artificial.

El primer teorema básicamente afirma que ninguna solución de IA es superior a todas las demás para una aplicación específica. Cada solución puede tener ciertos beneficios que vienen a costa de algunas desventajas en otras partes-por lo tanto, no hay tal cosa como un «almuerzo gratis».

El teorema del patito feo es similar, afirmando que no existe un conjunto de características óptimas para todas las aplicaciones. Incluso si pudiéramos encontrar una IA genérica que resolviera muchos retos diferentes, no se ajustaría al menos a una aplicación o problema y no proporcionaría una solución adecuada, convirtiéndola en el «patito feo.»

Con esto en mente, deberíamos ser modestos en nuestras expectativas respecto a lo que es posible con las redes neuronales convolucionales y el aprendizaje profundo. Existen muchos ejemplos en los que el aprendizaje profundo resuelve problemas de reconocimiento difíciles y poco estructurados, pero con otras tareas de clasificación otros enfoques de IA tendrán un mejor rendimiento. Encontrar la combinación adecuada de diferentes tipos de IA fue clave en el pasado y seguirá siendo clave para garantizar el mejor rendimiento de clasificación de materiales reciclables en el futuro.

La inteligencia artificial se ha desplegado en la industria del reciclaje durante bastante tiempo. Sin embargo, las posibilidades que el aprendizaje profundo puede ofrecer cuando los campos de la visión artificial y el aprendizaje automático se unen bajo un mismo paraguas son nuevas y emocionantes para la industria.

Los autores son vicepresidentes con responsabilidades de investigación de TOMRA Sorting GmbH, con sede en Alemania, www.tomra.com/en/sorting/recycling, parte de TOMRA Systems ASA, con sede en Noruega.