«El aprendizaje profundo que aplicamos a la tecnología puede determinar la suerte de un acusado en un juicio o la elección de un tratamiento médico»

 

Adhane es investigador de la Universidad de Haramaya (Etiopía) y está especializado en el análisis de la inteligencia artificial aplicada al aprendizaje profundo y otras tecnologías relacionadas con las redes neuronales artificiales. Actualmente trabaja en su tesis doctoral en el grupo de investigación AI for Human Well-being (AIWELL, antes SUNAI Lab), adscrito a los Estudios de Informática, Multimedia y Telecomunicación y al eHealth Center de la Universitat Oberta de Catalunya (UOC). Recientemente ha publicado, junto a Mohammad Mahdi y David Masip, una investigación sobre el desarrollo de una tecnología que aprende a identificar mosquitos a través de un gran volumen de fotografías subidas a una plataforma, Mosquito Alert, y realizadas por ciudadanos voluntarios.

 

Adhane es investigador de la Universidad de Haramaya (Etiopía) y está especializado en el análisis de la inteligencia artificial aplicada al aprendizaje profundo y otras tecnologías relacionadas con las redes neuronales artificiales. Actualmente trabaja en su tesis doctoral en el grupo de investigación AI for Human Well-being (AIWELL, antes SUNAI Lab), adscrito a los Estudios de Informática, Multimedia y Telecomunicación y al eHealth Center de la Universitat Oberta de Catalunya (UOC). Recientemente ha publicado, junto a Mohammad Mahdi y David Masip, una investigación sobre el desarrollo de una tecnología que aprende a identificar mosquitos a través de un gran volumen de fotografías subidas a una plataforma, Mosquito Alert, y realizadas por ciudadanos voluntarios.

Participo como estudiante de doctorado en el grupo de investigación bajo la supervisión de David Masip. Mi investigación se centra en la aplicación de modelos de aprendizaje profundo (deep learning) a la visión computacional y el procesamiento de imágenes para varias aplicaciones: detección de objetos, aplicaciones médicas, etc. Mi función es crear y aplicar soluciones de aprendizaje profundo a los problemas del mundo real.

Investigo la inteligencia artificial (IA). Si bien se ha publicado mucho sobre las aplicaciones y usos de las redes neuronales profundas, cuando esta tecnología se aplica a áreas críticas como aplicaciones móvil médicas, derivación autónoma o transacciones financieras, presenta muchos desafíos. Algunas de las dificultades provienen de no poder estimar la incertidumbre y no explicar cómo el deep learning toma sus decisiones. Como resultado, mi investigación se focaliza en evaluar la incertidumbre y las decisiones tomadas a partir de estos modelos de aprendizaje profundo.

En Etiopía dediqué la mayor parte de mi tiempo a impartir cursos relacionados con la IA y a llevar a cabo investigaciones para diversas aplicaciones. Además de la docencia y la investigación, he desempeñado mi labor como supervisor de estudiantes de licenciatura. Cuando me uní al grupo de investigación, diría que no hubo un cambio sustancial con respecto al área de investigación en la que había trabajado. No considero que tuviera dificultades para adaptarme al entorno laboral o al grupo actual.

En el momento en el que me decidí por el doctorado estaba buscando una plaza en Europa. Por suerte, encontré la convocatoria de doctorado de la UOC y decidí postularme al puesto que ofrecía. Estuve curioseando en la web de la universidad para conocer más sobre sus áreas de investigación y hallé el grupo de investigación, y entonces me decidí. Tras mi aceptación, la UOC me ha proporcionado una beca, así como recursos adicionales para llevar a cabo la investigación, lo que me ha ayudado profesionalmente. 

Mosquito Alert es una plataforma que se lanzó en 2014 para monitorizar y controlar a los portadores de enfermedades. El proceso de recopilación de sus datos se basa en imágenes de mosquitos y criaderos, subidas por voluntarios y que un equipo de entomólogos inspecciona, valida y clasifica. Esta plataforma reúne a ciudadanos, entomólogos, autoridades de salud pública y servicios de control de mosquitos para ayudar a reducir las enfermedades transmitidas por mosquitos en España. En la UOC hemos abordado la anotación automática de imágenes subidas por los ciudadanos a esta plataforma.

El problema que encontramos durante el experimento fue que algunas de las fotos no eran claras. Muchas tenían un fondo con ruido o partes de mosquitos dañadas, y estas son cruciales para distinguir las especies de mosquitos. Debido a que las diferentes especies de mosquitos tienen características físicas muy similares, las fotografías degradadas pueden dificultar el reconocimiento de especies estrechamente relacionadas. Gracias a los avances en el aprendizaje automático, sobre todo de las redes neuronales profundas, pudimos proponer una red neuronal convolucional profunda que podría capturar la correlación oculta entre imágenes con características morfológicas similares.

Las redes neuronales, también conocidas como redes neuronales artificiales (ANN), son un subconjunto de aprendizaje automático (machine learning) que proporciona la base para las técnicas de aprendizaje profundo. Su nombre y forma están inspirados en el cerebro humano y replican el modo en el que las neuronas biológicas se comunican entre sí.

Una ANN se compone de capas de nodos, que incluyen una de entrada, otra o más capas ocultas y una de salida. Cuando una red neuronal recibe datos de entrada, los patrones de información se aprenden dentro de la red y activan las unidades de las capas ocultas, que finalmente llegan a las unidades de salida para realizar la tarea de clasificación. 

Cuando este cálculo alcanza un umbral específico, la unidad se "dispara" y activa las unidades a las que está conectada. Para que una red neuronal aprenda, debe tener algún tipo de retroalimentación con el que reducir la diferencia entre los valores reales y los predichos. Este procedimiento se repite hasta que estemos satisfechos con el rendimiento de la red neuronal.

Las redes neuronales profundas son capaces de llevar a cabo diversas tareas cruciales, que incluyen la clasificación, la predicción, la agrupación, el diseño de fármacos, el filtrado de redes sociales y la traducción de lenguaje natural, entre otras. También podemos abordar los problemas científicos y de ingeniería más difíciles, como los de robótica avanzada y los de fabricación y navegación espacial.

Las ANN se utilizan ahora para resolver una amplia gama de problemas del mundo real, normalmente en paradigmas numéricos para la aproximación de funciones universales por sus impresionantes cualidades de autoaprendizaje, tolerancia a los fallos, no linealidad y avance en el mapeo desde la entrada hasta la salida.

Las redes neuronales artificiales se pueden utilizar para resolver desde la tarea de clasificación más simple hasta los problemas de optimización más complejos.

La red neuronal profunda, que forma parte de una familia más amplia de tecnologías de aprendizaje automático, puede evaluar eficazmente enormes volúmenes de datos. A pesar de ello, todavía existen muchos obstáculos al implementar modelos de aprendizaje profundo. La falta de transparencia en el deep learning, conocida como problema de la caja negra, se ha convertido en una preocupación clave cuando se implementan modelos de IA para aplicaciones comerciales.

El motivo de ello es la falta de conocimiento sobre cómo llega la IA a una conclusión. Lo vemos en ejemplos como los algoritmos de reconocimiento de imágenes de Google Fotos que clasificaron a personas negras como gorilas; o el modelo de clasificación de género que clasificaba principalmente a mujeres negras como personas de género masculino. Y muchas más cuestiones.

Cuando el aprendizaje profundo está ejecutando una tarea trivial en la que una decisión incorrecta causará poco o ningún daño, el problema de la caja negra puede no ser grave. Sin embargo, cuando se está decidiendo la suerte de un acusado en un tribunal, el tratamiento médico de un paciente o la seguridad del peatón en la conducción autónoma, los errores pueden tener efectos catastróficos.

La IA nos ayuda en nuestra vida diaria. Con ella tenemos la promesa de máquinas que pueden interactuar con los humanos y llevar a cabo actividades como conducir automóviles, trabajar en fábricas o crear robots automatizados para trabajar en entornos de riesgo (por ejemplo, plantas de energía nuclear, minería y exploración del mar y de yacimientos de gas).

La IA ya se ha utilizado en servicios como el reconocimiento y la traducción de voz, en aplicaciones médicas o en la previsión meteorológica, y tiene mucho que ofrecer para mejorar la calidad de nuestras vidas.

 

UOC R&I

La investigación e innovación (RI) de la UOC contribuye a solucionar los retos a los que se enfrentan las sociedades globales del siglo xxi, mediante el estudio de la interacción de la tecnología y las ciencias humanas y sociales, con un foco específico en la sociedad red, el aprendizaje en línea y la salud digital. Los más de 500 investigadores e investigadoras y los 51 grupos de investigación se articulan en torno a los siete estudios de la UOC y dos centros de investigación: el Internet Interdisciplinary Institute (IN3) y el eHealth Center (eHC).

La Universidad impulsa también la innovación en el aprendizaje digital a través del eLearn Center (eLC) y la transferencia de conocimiento y el emprendimiento de la comunidad UOC con la plataforma Hubbik.

Los objetivos de la Agenda 2030 de Desarrollo Sostenible de las Naciones Unidas y el conocimiento abierto son ejes estratégicos de la docencia, la investigación y la innovación de la UOC. Más información: research.uoc.edu #25añosUOC