Dr. Sergio Hernández Álvarez, director (s) de la Escuela de Ingeniería en Automatización y Control modalidad vespertina de la Universidad Católica del Maule.

La cuantificación de la incertidumbre es la capacidad de medir la cantidad de incertidumbre que existe en un dato o resultado. En visión computacional, la incertidumbre puede provenir de una variedad de fuentes, como la calidad de la imagen, la complejidad de la escena o la naturaleza aleatoria del algoritmo de aprendizaje automático.

La cuantificación de la incertidumbre es importante en visión computacional por varias razones. En primer lugar, para mejorar la precisión puede ayudar a los sistemas de visión computacional a ser más precisos al proporcionar información sobre la confiabilidad de sus resultados. Por ejemplo, un sistema de reconocimiento facial que puede cuantificar la incertidumbre de su predicción puede ser más probable que proporcione una identificación correcta en presencia de ruido o iluminación deficiente.

En segundo lugar, para mejorar la seguridad de los sistemas de visión computacional al permitirles tomar decisiones más informadas. Por ejemplo, un sistema de conducción autónoma que puede cuantificar la incertidumbre de su percepción del entorno puede ser más probable que evite una colisión en presencia de obstáculos inesperados.

En tercer lugar, también puede ayudar a mejorar la interpretabilidad de los sistemas de visión computacional al proporcionar información sobre cómo se tomaron las decisiones. Esto puede ser útil para los desarrolladores de sistemas, los usuarios de sistemas y los reguladores.

Desde la región del Maule varios grupos de investigadores estamos abordando estos temas. En particular, en mi trabajo de doctorado trabajé en el problema de seguimiento múltiple de objetos en video, el cual es un problema difícil desde el punto de vista de la cuantificación de la incertidumbre ya que se debe estimar simultáneamente la cardinalidad y la asociación entre los distintos objetos. En este enfoque, se utilizan los formalismos de los conjuntos aleatorios y la geometría estocástica para determinar funciones de densidad que sean invariantes al orden de los objetos y que al mismo tiempo permitan obtener un estimador de la cardinalidad.

Mas recientemente, he trabajado en el problema de cuantificación de incertidumbre en redes neuronales profundas usando métodos de muestreo de Monte Carlo. Este problema comprende no solamente la dificultad de estimar modelos Bayesianos con millones de parámetros sino que también evaluar la convergencia y eficiencia de muestreo. Para el futuro, espero poder continuar estudiando nuevas técnicas de inferencia probabilística así como también sus diferentes aplicaciones en los problemas reales que afectan a nuestra región.

“Las opiniones vertidas en esta columna son de exclusiva responsabilidad de quienes las emiten y no representan necesariamente el pensamiento de la Universidad Católica del Maule”.