Entre la percepción humana y la visión artificial hay diferencias en cómo se capta una escena. Es la brecha a la que apuntan las nuevas tecnologías.
La Inteligencia Artificial (IA) todavía no ha logrado replicar la capacidad de los seres humanos para manejar máquinas agrícolas.
Existe aún una discrepancia entre la percepción humana de una escena y la que pueden hacer los sistemas de visión artificial.
Perciben la misma escena de forma diferente, porque hay eventos que suelen ocurrir en condiciones adversas (barro, nieve, lluvia, límites de objetos parcialmente oscurecidos y otros).
Por ejemplo, un tractor robot navega por un campo donde las áreas de tierra cultivada o rastrojos oscurecen el borde.
O bien un robot navega utilizando marcadores visuales distorsionados por sombras o iluminación.
Como resultado, el sistema de IA percibe la trayectoria de forma diferente a cómo la visualiza el conductor humano.
Errores
En estas circunstancias, los humanos suelen determinar la trayectoria con precisión, basándose en la experiencia y la intuición, mientras que la red neuronal la «ve» basándose únicamente en señales visuales.
Por lo tanto, se acumulan errores sistemáticos durante el proceso de recopilación de datos de entrenamiento, lo que provoca una desalineación.
La IA deja de comprender qué se espera de ella y comienza a realizar predicciones erróneas.
Esto resulta en una disminución de la precisión de control del sistema de piloto automático, falsas alarmas y una disminución de la seguridad general del sistema autónomo.
¿Solución?
En Rusia, la empresa Cognitive Pilot desarrolló la tecnología Cognitive Divergence Correction.
Permite identificar y evaluar cuantitativamente las divergencias entre la manera en que una red neuronal artificial y un humano perciben los límites y entienden el significado de lo que está sucediendo.
Los desarrolladores de Cognitive Pilot han aprendido a identificar automáticamente las características de la escena que los humanos perciben por intuición y experiencia, lo que les ayuda a comprender la trayectoria de la máquina.
A tal fin, se creó un analizador de divergencias para identificar dichas características.
Estas pueden incluir, por ejemplo, la forma y la ubicación de los fragmentos de suelo en un campo, la intensidad y el contraste de los límites, y la estructura espacial de la escena.
Separación
El sistema analiza automáticamente las discrepancias y calcula métricas para las divergencias entre los límites identificados por el modelo artificial y la realidad captada por la mente humana.
Los marcos consistentes (donde la persona y la red perciben las cosas de forma idéntica) permanecen en el conjunto de entrenamiento, mientras que los marcos inconsistentes se ponen en stand by para su posterior análisis y la decisión sobre su uso.
Como resultado, se mejora la consistencia de los datos y, en consecuencia, la calidad del entrenamiento y la seguridad de los sistemas de control autónomos.
