INTELIGENCIA ARTIFICIAL MEDIANTE DEEP LEARNING CON EL SOFTWARE CELL SENS DE OLYMPUS

IA (Inteligencia Artificial), Deep Learning (aprendizaje profundo), Maching Learning (aprendizaje automático), Neuronal Netwoks (redes neuronales), son términos con los que debemos estar familiarizados. En anteriores Newsletter ya hemos introducido algunos de estos términos, pero en esta serie compuesta de tres Newsletter, esperamos aclarar definitivamente estos términos. Con este propósito, durante las próximas Newsletter, mostraremos los ejemplos de análisis de imagen con IA que venimos realizando en el SMAI (servicio de microscopía y análisis de imagen) del HNP. Esperamos que con esta serie de Newsletter podáis encontrar aplicaciones de la IA en el campo del análisis de imagen y por tanto utilizarla en vuestros proyectos de investigación.
El 20 de enero de 2022 comenzamos con esta serie de Newsletter describiendo el equipo de Olympus que nos permite trabajar con IA. Hoy seguimos con una introducción a la IA (Inteligencia Artificial) en el análisis de imagen. En la próxima Newsletter nos centraremos en describir paso a paso el proceso que nos permite entrenar redes neuronales para analizar las fotos capturadas a gran escala.

2. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
   

Podemos definir la Inteligencia Artificial (IA, o AI en ingles) en informática, como aquella inteligencia que expresan las maquinas. Se diferencia, así, de la inteligencia natural que es la que poseen los seres humanos. Por tanto, la Inteligencia Artificial es la capacidad que tiene un dispositivo (como un móvil, ordenador o robot) para realizar tareas que generalmente requieren inteligencia humana. En informática, la Inteligencia Artificial es la disciplina donde se estudian y desarrollan estos sistemas.
Se considera que la investigación en IA empieza en 1956 a partir de una conferencia celebrada en la universidad de Darthmouth. La investigación en inteligencia artificial ha vivido muchos altibajos desde sus inicios. Entre 1956 y 1974 vivió años dorados: los científicos predijeron que en pocos años se podría conseguir un ordenador que tuviera la misma capacidad cognitiva que un ser humano. Se empleo mucho dinero en investigación con este propósito. Sin embargo, las estimaciones de los científicos fueron erróneas, no se pudieron cumplir las expectativas y desaparecieron las inversiones. El período entre 1974 y 1980 se considera el invierno de la inteligencia artificial. A parte de los problemas financieros, los proyectos se enfrentaban a una capacidad computacional y de almacenamiento de datos muy reducida que impedía llevar a cabo los procesos y experimentos necesarios.
Entre 1980 y finales de los años 90, el sector de la inteligencia artificial sufrió varios altibajos en popularidad acompañados por la consecuente aparición y desaparición de inversión. A finales de la década de los 90 los ordenadores empezaban a tener una capacidad suficiente como para llevar a cabo avances en el campo. Por ejemplo, el ordenador empleado para jugar al ajedrez en 1997 era 10 millones de veces más potente que el que se había usado para el mismo propósito en 1951.
A partir de finales del milenio pasado, ha habido un nuevo auge de la IA. El Big Data y la potencia de los ordenadores han permitido grandes avances. Se ha empezado a desarroyar el campo del aprendizaje automático (machine learning) y más recientemente en el campo del aprendizaje profundo (deep learning), así como en las redes neuronales (neural networks). Tanto el aprendizaje automático como el profundo son ramas de la inteligencia artificial que se aplican a multitud de campos de la Inteligencia Artificial como son:
-El reconocimiento del lenguaje natural (Natural Language Recognition), es la tecnología que utiliza Siri, alexa o Google asistant.
-El reconocimiento facial (Facial Recognition). El reconocimiento facial es una aplicación biométrica de la inteligencia artificial que es capaz de identificar el rostro de una persona analizando sus formas y texturas faciales. Sus usos son muy diversos; desde la seguridad, identificando a personas buscadas por la policía, a usos más comerciales, como el retargeting (además de reconocer caras también reconoce emociones y edades para mostrar publicidad acorde con el sexo, edad y estado de ánimo del usuario), también se utiliza en cadenas de producción para detectar piezas defectuosas. Facebook lo utilizaba hasta hace relativamente poco para identificar a las personas que aparecen en las fotos que subimos a la red antes de etiquetarlas, aunque ha suprimido este servicio por falta de legislación.
-El análisis predictivo. Se basa en modelos predictivos que explotan los patrones que se encuentran en los datos históricos y/ datos recopilados a gran escala para identificar riesgos y oportunidades. Con el análisis predictivo se pueden pronosticar con una elevada precisión eventos futuros, de forma que las organizaciones pueden prepararse de antemano. Por ejemplo, el análisis predictivo podría predecir el fallo de una máquina en una cadena de producción. Así, se podría arreglar el problema antes que desembocara en un fallo y así evitar o reducir la parada de la cadena de producción. Netflix, HBO, Amazon video y otras plataformas de entretenimiento utilizan el análisis predictivo para mejorar sus servicios, en este caso, en su motor de recomendaciones. El 80% de los usuarios de Netflix consumen únicamente las películas y series que la plataforma les recomienda, lo cual ha reducido la tasa de cancelación del servicio.
En realidad, y como dijimos anteriormente tanto el aprendizaje automático (machine learning) como el aprendizaje profundo (deep learning), se emplea para todas estas aplicaciones que hemos enumerado y muchas más. Podríamos resumirlo en la introducción de datos masivos, ya sea de valores numéricos, fotografías, voz etc. Creación de un proceso de aprendizaje y clasificación, que se traduce en respuestas, de manera que al añadir nuevos datos nos dará automáticamente un estudio de este acorde con lo que ha aprendido la maquina (figura 4).

Figura 4 Esquema de funcionamiento de la AI tanto para maching learning como para Deep Learning

Pero, entonces, ¿en qué se diferencia el aprendizaje automático del aprendizaje profundo? El deep learning como concepto es muy similar al machine learning, pero usa algoritmos distintos.
Mientras que el machine learning trabaja con algoritmos de regresión o con árboles de decisión, el deep learning usa redes neuronales que funcionan de forma muy parecida a las conexiones neuronales biológicas de nuestro cerebro (figura 5).

Figura 5. Diferencia entre Maching Learning y Deep Learning

El Machine Learning, utiliza una tecnología más antigua y sencilla que el Deep Learning, consiste en el uso de algoritmos que el propio sistema adapta después de recibir un feedback de una persona, aprende de esos datos y tomar decisiones basadas en lo aprendido, normalmente creando arboles de decisión. En otras palabras, esta tecnología requiere alimentar el sistema con datos estructurados y categorizados, para que este pueda deducir cómo clasificar los nuevos datos de ese tipo. A continuación, dependiendo de la clasificación, el sistema lleva a cabo ciertas acciones programadas. Por ejemplo, identifica si aparece un perro o un gato en las fotos y mueve los archivos a diferentes carpetas, clasificando y asignando categorías.
Por otro lado, el Deep Learning estructura los algoritmos en capas, creando una red neuronal artificial, que puede aprender y tomar decisiones por sí misma. El Deep Learning va mucho más allá que el Machine Learning, ya que busca emular la forma de aprendizaje de los humanos, imitando el comportamiento del cerebro humano, mediante la combinan diferentes algoritmos, lo que permite que el sistema procese incluso datos no estructurados. El enfoque del aprendizaje profundo es especialmente adecuado para las tareas complejas en las que no todos los aspectos de los objetos pueden clasificarse de antemano. El propio sistema se encarga de buscar los diferenciadores adecuados. En cada capa, se analizan las nuevas entradas en busca de otras características, que el sistema utiliza para decidir cómo clasificar las entradas. Es importante tener en cuenta que, en el aprendizaje profundo, el propio sistema encuentra los diferenciadores adecuados en los datos sin que se le deba proporcionar una clasificación externa. Por ello, no es necesario que intervenga un desarrollador. El sistema comprueba por sí mismo si se pueden generar nuevas clasificaciones o categorías a partir de las nuevas entradas.
Con todo esto podemos definir las redes neuronales de la IA como un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning mas complejo llamado aprendizaje profundo (deep learning), que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados, como la realización de resúmenes de documento, el reconocimiento de rostros o la clasificación de células con mayor precisión.

AUTOR
José Ángel Rodríguez Alfaro.
Responsable del Servicio Microscopía y Análisis de Imagen.
Hospital Nacional de Parapléjicos.
Toledo, España.