Visión artificial: cinco tareas que no deben medirse igual

A 30 de julio de 2026, decir que una IA «analiza imágenes» informa tan poco como decir que un hospital «trabaja con pacientes». Clasificar una foto, localizar objetos, pintar cada píxel, seguir una trayectoria y generar una escena producen salidas distintas y exigen anotaciones y métricas distintas. La capacidad útil es aprender a emparejar pregunta, etiqueta, modelo y prueba; sin ese encaje, una cifra de «precisión» no permite saber qué hace el sistema.

Antes del modelo: define la unidad visual

Una imagen es una matriz de valores; un vídeo añade tiempo. Pero el objeto de aprendizaje lo decide la etiqueta. En clasificación, toda la imagen recibe una categoría. En detección, cada objeto recibe una caja y una clase. En segmentación semántica, cada píxel recibe una clase; en segmentación de instancias, además se distinguen dos objetos de la misma clase. En seguimiento, una identidad debe mantenerse entre fotogramas. En generación, el sistema produce píxeles condicionados por texto, imagen u otra señal.

Esa ontología precede al entrenamiento. ¿Una bicicleta parcialmente oculta cuenta? ¿Un reflejo es una persona? ¿Dónde termina una lesión de borde ambiguo? Dos anotadores razonables pueden discrepar. El conjunto Microsoft COCO hizo explícita una combinación de detección, segmentación y descripciones sobre escenas complejas; sus etiquetas no son intercambiables con una base de imágenes centradas en un único objeto.

Clasificación: una etiqueta para el conjunto

Una red convolucional comparte filtros a través de posiciones y construye representaciones jerárquicas. AlexNet mostró en ImageNet cómo una CNN profunda entrenada con GPU, aumento de datos y regularización reducía el error de clasificación respecto a sistemas anteriores. El resultado pertenecía a esa tarea, conjunto y protocolo; no demostraba que la red «viera» como una persona.

La exactitud sirve si las clases están equilibradas y todos los errores cuestan parecido. Si una clase es rara, hay que revisar precisión, recall, F1, matriz de confusión y calibración. El top-5 de ImageNet cuenta si la etiqueta correcta aparece entre cinco candidatas; no significa que cinco diagnósticos sean aceptables. Una métrica conserva el significado del procedimiento que la genera.

Detección: clase, localización y umbral

Un detector propone cajas, clases y puntuaciones. Una predicción solo coincide con la referencia si la superposición supera un umbral, normalmente expresado mediante intersección sobre unión (IoU). La precisión media combina el orden de confianza y los aciertos; la mAP agrega clases y, según el benchmark, distintos umbrales de IoU.

Por eso «90% de precisión» es insuficiente. Puede omitir objetos pequeños, duplicar una persona o producir cajas mal ajustadas. Hay que declarar umbral de confianza, criterio de coincidencia, tratamiento de duplicados, tamaño de objetos y recall. Las reglas de PASCAL VOC y las de COCO no producen cifras directamente equivalentes.

Segmentación: la pregunta vive en cada píxel

La segmentación semántica marca regiones por clase. Su IoU compara intersección y unión de los píxeles predichos y verdaderos; la media entre clases evita que el fondo domine. El coeficiente Dice da otra medida de solapamiento. Ambos pueden ocultar errores de borde o la desaparición de objetos pequeños, así que conviene desglosar por clase y tamaño.

DeepLabv3 empleó convoluciones dilatadas para ampliar el campo receptivo y módulos de pirámide espacial para capturar contexto en varias escalas. Ese mecanismo es relevante para segmentar, no una mejora universal de «visión». La elección depende de si el producto necesita la forma de una carretera, la presencia de una pieza o solo una etiqueta global.

Seguimiento: el tiempo añade identidad

En vídeo, detectar en cada fotograma no basta. Un seguidor asocia la misma entidad a través de oclusiones, salidas y reentradas. Los fallos incluyen perder la trayectoria, cambiar dos identidades o fragmentar una en varias. La evaluación debe distinguir calidad de detección y calidad de asociación.

También hay que fijar frecuencia de fotogramas, resolución, movimiento de cámara y latencia. Un sistema que acierta al procesar vídeo grabado lentamente puede fallar en tiempo real. Si se usa para alertas, importan falsos avisos por hora y tiempo hasta detectar, no solo una media por fotograma.

Transformers visuales: cambiar la representación

Vision Transformer dividió imágenes en parches, los proyectó como una secuencia y aplicó un encoder Transformer. Con preentrenamiento a gran escala, obtuvo resultados competitivos en clasificación. La comparación enseñó que la convolución no es la única forma de introducir relaciones espaciales, pero también que datos, preentrenamiento y presupuesto forman parte del resultado.

Una CNN incorpora sesgos inductivos de localidad y traslación; un ViT básico relaciona parches mediante atención y necesita codificación posicional. Ninguno «entiende escenas» por nombre. Para elegir, se comparan calidad, datos, memoria, latencia, tamaño de entrada y facilidad de adaptación bajo el mismo presupuesto.

Generación: realismo no es fidelidad

Una GAN entrena un generador contra un discriminador. Puede producir imágenes plausibles sin copiar una referencia concreta. El Fréchet Inception Distance, presentado en el trabajo sobre TTUR, compara estadísticas de representaciones entre conjuntos reales y generados. Una cifra menor puede indicar distribuciones más cercanas bajo ese extractor, pero no garantiza correspondencia con un prompt, ausencia de artefactos, diversidad suficiente ni derechos sobre los datos.

En producción visual conviene separar al menos calidad perceptual, fidelidad a la condición, diversidad, memorization, seguridad y procedencia. Para edición, se mide qué cambió y qué debía permanecer. En vídeo se añaden consistencia temporal, parpadeos y continuidad de identidad. Preguntar «¿parece real?» solo cubre una fracción.

El caso médico exige una afirmación estrecha

El paper CheXNet evaluó detección de neumonía y otras etiquetas en radiografías de tórax, con un conjunto y una comparación concretos. De ahí no se sigue que «la IA supera a los especialistas» en radiología clínica: el trabajo no equivale al proceso completo de diagnóstico, que incorpora historia, múltiples imágenes, prevalencia, decisiones y consecuencias.

Para una aplicación médica hay que especificar cohorte, hospital, equipo, estándar de referencia, lectores, umbral y uso. Sensibilidad alta puede acompañarse de muchos falsos positivos. Una prueba retrospectiva puede degradarse al cambiar la población. El modelo puede asistir en una tarea delimitada; la evidencia debe mantener ese perímetro.

Sesgo: mira el error por subgrupo y condición

Promedios globales ocultan diferencias por tono de piel, edad, iluminación, cámara o geografía. Gender Shades auditó sistemas comerciales de clasificación de género y reportó disparidades interseccionales. La enseñanza no es añadir «diversidad» como eslogan, sino desagregar rendimiento en los grupos y condiciones donde el sistema actuará.

La etiqueta también puede contener sesgo: categorías impuestas, anotadores sin contexto o desacuerdo cultural. Hay que documentar quién etiquetó, qué instrucciones recibió y cómo se resolvieron casos inciertos. En vigilancia o moderación, un falso positivo no es solo un píxel equivocado: puede activar una intervención sobre una persona.

Robustez: pequeñas variaciones, grandes efectos

Los ejemplos adversarios mostraron que perturbaciones pequeñas podían cambiar predicciones de redes. Pero la robustez cotidiana también incluye desenfoque, compresión, lluvia, encuadre, dispositivos nuevos y desplazamiento temporal. La prueba debe cubrir transformaciones plausibles y ataques relevantes para el adversario real.

Una explicación visual, como un mapa de calor, puede ayudar a inspeccionar, pero no demuestra causalidad ni seguridad. Se valida perturbando regiones, comprobando estabilidad y comparando con evidencia conocida. Una visualización bonita no sustituye una tasa de error.

La matriz que evita comparar cosas distintas

Para cada sistema rellena seis columnas: pregunta; salida —etiqueta, caja, máscara, trayectoria o imagen—; anotación; métrica; condiciones; coste del error. Añade arquitectura al final. Así una CNN, ViT o GAN queda ligada a la función que cumple, no convertida en sinónimo de visión.

La capacidad duradera es emparejar la salida con su prueba. Si alguien presume de «precisión» sin decir qué unidad se anotó y cómo se decidió un acierto, falta la mitad del experimento. Ver no es una sola tarea; medir tampoco puede ser una sola cifra.