El poder del aprendizaje automático en la redacción de vídeo

Mucha gente conoce la IA o Inteligencia Artificial y su significado, sobre todo por la forma en que suele representarse en las películas. Estas películas suelen ser emocionantes y cautivan nuestra imaginación. El aprendizaje automático, aunque similar a la IA, se define de forma diferente. Una forma de explicarlo en términos sencillos es que la IA es la amplitud de conocimientos que contiene y utiliza un sistema, mientras que el aprendizaje automático son los algoritmos o procesos mediante los cuales el sistema adquiere los conocimientos y los asimila para su uso futuro. En términos humanos, la IA sería toda la información y el conocimiento que ya tienes, mientras que el aprendizaje automático se asemejaría a los pasos que eliges para adquirir ese conocimiento, como leer, observar, estudiar o incluso cometer errores.

Entender el aprendizaje automático

Una buena definición de aprendizaje automático sería el concepto de que alimentando datos a una máquina ésta puede aprender con el tiempo a anticiparse y tomar decisiones por sí misma y actuar en consecuencia utilizando la información de que dispone a partir de observaciones e interacciones en el mundo real. Utilizando el reconocimiento de patrones como guía, el software informático utiliza los datos introducidos para aprender a realizar tareas de forma autónoma. Hoy en día, muchas industrias confían en el aprendizaje automático para extraer sus grandes cantidades de datos con el fin de trabajar de forma más eficiente y adquirir una ventaja sobre su competencia.

Las fuerzas del orden y otros organismos públicos, como Seguridad Nacional, confían en el software de aprendizaje automático para tomar decisiones más precisas en tiempo real y mantener a salvo a la población. La propia seguridad de los agentes de policía puede depender de las capacidades del aprendizaje automático o la extracción de datos. El proceso de toma de decisiones que entra en su software de redacción de vídeo utilizado con sus cámaras personales está vinculado a sistemas internos que pueden darles acceso inmediato a información recopilada de múltiples fuentes. La información precisa devuelta proporciona al agente una entrega rápida y segura, a la vez que le proporciona la inteligencia que necesita para poder tomar decisiones rápidas sin dejar de seguir sus políticas y prácticas policiales, durante las cuales también puede actuar ante amenazas al público de forma fiable y segura.

Aprendizaje supervisado Vs. Aprendizaje no supervisado

Existen dos métodos principales de aprendizaje automático: el aprendizaje supervisado y el aprendizaje no supervisado. No son los únicos métodos, pero sí los dos más populares. El aprendizaje reforzado también es otro método de aprendizaje automático y cada técnica ofrece un enfoque diferente para aprender, recopilar datos y generar resultados informativos. Depende en gran medida del sector el enfoque que se utilice, pero hoy en día, a medida que muchos sistemas se van integrando aún más, los diseños de software más recientes aplican múltiples metodologías de aprendizaje automático.

Todos los métodos de aprendizaje automático utilizan algoritmos para determinar soluciones, recopilar información y descubrir los resultados necesarios para crear una acción o resolver un problema. Cuando la técnica de recopilación de información se realiza con aprendizaje supervisado, los algoritmos se entrenan utilizando patrones y modelos que se etiquetan cuando se introducen como datos. Recuerde que los algoritmos son simplemente una serie de pasos o métodos utilizados para resolver el problema. Con el aprendizaje supervisado, el software obtiene un conjunto específico de entrada emparejado con un conjunto distinto de salida. La forma en que la máquina empieza a aprender a descubrir errores y a iniciar sus propias habilidades de resolución de problemas es comparando la salida correcta original con su salida actual. Se trata de un aprendizaje automático que se basará en secuencias de clasificación, etiquetas, regresión y predicción para localizar errores y predecir valores futuros. Este tipo de aprendizaje automático se utiliza generalmente en aplicaciones que pueden comparar historiales y predecir comportamientos futuros. Un uso común sería tener una aplicación de software que puede utilizar la intuición para anticipar el fraude u otras actividades delictivas en las transacciones bancarias y de tarjetas de crédito. También puede utilizarse para predecir qué clientes son propensos a presentar reclamaciones de seguros por daños en viviendas y automóviles.

El aprendizaje no supervisado es una buena herramienta para aplicaciones relacionadas con el marketing y la obtención de muestras de población para estudios. El análisis de componentes principales y el análisis de conglomerados son métodos habituales para obtener conjuntos de datos mediante el aprendizaje automático no supervisado. El aprendizaje no supervisado funciona extrapolando conjuntos de datos que presentan propiedades similares. Al estudiar los datos no etiquetados, la aplicación informática busca puntos en común y agrupa los datos en clusters para su posterior investigación. Reúne los datos en conjuntos utilizables porque no han sido previamente etiquetados, clasificados o categorizados. Un ejemplo sería encontrar y agrupar conjuntos de datos de clientes en función de sus hábitos de compra, de modo que el material de marketing pueda orientarse a sus necesidades y sea más eficaz a la hora de crear compras, lo que a su vez genera un mayor margen de beneficios.

Otros tipos de aprendizaje automático se utilizan para otros fines y cada vez se desarrollan más métodos. Otros dos métodos de aprendizaje menos utilizados son el aprendizaje semisupervisado y el aprendizaje por refuerzo. El aprendizaje semisupervisado suele utilizarse en los mismos tipos de aplicaciones que utilizan datos históricos y predicciones que las técnicas de aprendizaje automático supervisado. La diferencia es que utiliza tanto datos etiquetados como no etiquetados para aprender a hacer clasificaciones y predicciones futuras. Es una buena opción para muchas empresas, ya que los puntos de datos no etiquetados pueden suministrarse en grandes cantidades y, por lo general, por menos dinero que sus homólogos etiquetados. El aprendizaje por refuerzo es diferente en el sentido de que permite al algoritmo aprender por ensayo y error qué operaciones ejecutar para lograr el mayor rendimiento o ganancias. La máxima recompensa a lo largo del tiempo es el objetivo general. Este tipo de aprendizaje automático se utiliza a menudo en robótica, juegos y software de navegación.

Comprender la redacción automatizada de vídeos

Las cámaras corporales están en auge y a menudo son un requisito para los agentes de policía y sus departamentos. Los sistemas de cámaras están diseñados tanto para la seguridad de los agentes como para la del público; cuando se trata de delitos o situaciones graves, pueden grabar cualquier acción que se realice contra los agentes, pero también cualquier acción o táctica policial cuestionable que pueda ser perjudicial o ilegal. Los medios de comunicación y el público en general suelen solicitar las grabaciones de estos delitos a través de la Ley de Libertad de Información, sobre todo después de casos muy sonados.

El software de aprendizaje automático de redacción de vídeos y sus algoritmos facilitan la satisfacción de esa demanda. El problema surge cuando se intenta satisfacer la demanda de información inmediata por parte del público y, al mismo tiempo, se respetan las leyes estatales y locales relativas a la privacidad personal y la información sensible. Un ejemplo de ello sería la visualización de rostros de menores, que no tienen la capacidad adulta de dar su consentimiento ni de proteger su intimidad.

Cuando los departamentos reciben solicitudes de este tipo de información, se necesita tiempo y recursos mientras se asigna a alguien la tarea de redactar el vídeo. Se trata del proceso de tachar o difuminar los datos identificativos de los menores u otro material sensible. Otro problema al que se enfrentan los departamentos es que cada estado o jurisdicción tiene su propio conjunto de leyes sobre cómo manejar este tipo de datos complejos. Con muchos departamentos que se enfrentan a recortes presupuestarios, es difícil mantener el coste de la mano de obra intensiva que supone el personal, así como el almacenamiento de vídeo y el software de tecnología de redacción.

El software de redacción automatizada de vídeo ayuda a resolver algunos de los problemas de muchos departamentos de policía al eliminar algunos de los costes que supone mantener un gran departamento de personal simplemente para mantener, almacenar y redactar vídeo. El aprendizaje automático ha avanzado hasta el punto de que los algoritmos son ahora capaces de redactar vídeo de cámaras en movimiento, como las cámaras corporales que llevan los agentes. Esto permite al departamento trabajar de forma más eficiente y rentable. Una vez elegidos los tipos de objetos o etiquetas que se van a eliminar de los vídeos, los programas informáticos los analizarán fotograma a fotograma y localizarán esos objetos para difuminarlos o tacharlos en consecuencia.

Aunque muchas cosas pueden hacerse mientras los agentes están trabajando, la redacción automatizada siempre necesitará un elemento humano. Especialmente en los casos de alto riesgo, si un fotograma se deja sin revisar o sin suprimir, se puede poner en peligro el rostro de un menor, de un testigo importante o incluso la identidad de un agente encubierto. Ante la posibilidad de que el departamento incurra en responsabilidad, es importante tomar todas las medidas necesarias para garantizar la seguridad del público. Un error puede poner en peligro la vida de alguien.

El aprendizaje automático mejora la redacción automatizada de vídeos

Dado que el proceso de redacción requiere mucho tiempo y trabajo, lo que supone un gran gasto para la mayoría de los organismos policiales, la redacción automatizada de vídeos ayuda a ahorrar tiempo y dinero. La potencia de los algoritmos utilizados actualmente en el aprendizaje automático ha mejorado enormemente la redacción automatizada de vídeos hasta el punto de que es fácil de usar y alivia eficazmente algunos de los costes que supone ocultar información de identificación personal. En general, hay tres pasos clave en los métodos de aprendizaje automático utilizados en el software de redacción automática de vídeos. Son los siguientes

• Localización de objetos o etiquetas que deban redactarse.
• Seguimiento del movimiento de los objetos o etiquetas a lo largo del tiempo.
• Ocultación u ofuscación.

Todos estos pasos pueden realizarse manualmente, pero con un gran coste para el departamento. Actualmente, lo mejor es utilizar un método semiautomatizado. Mediante el uso de potentes algoritmos de aprendizaje automático y software de redacción automatizada de vídeos se pueden determinar las etiquetas y la información de los objetos y difuminarlos o eliminarlos según sea necesario de forma automática. Sin embargo, es necesaria una revisión manual para determinar la calidad de los resultados. La revisión manual es importante porque un fotograma omitido puede exponer la identidad de alguien, lo que anula todo el propósito y posiblemente podría costar vidas.

Los potentes algoritmos del aprendizaje automático mejoran la seguridad de todos

Aunque los algoritmos se han vuelto más precisos y potentes y permiten a las máquinas aprender y tomar decisiones por sí solas, sigue siendo necesaria la intervención humana. Por ejemplo, cuando se utiliza un programa para difuminar u ocultar caras en un vídeo, muchas herramientas de software algorítmico ofrecen una selección automática de detección de caras. Sin embargo, muchas de ellas pueden no detectar o localizar todos los rostros cuando se trata de oclusiones, vistas laterales u otras anomalías. Dado que cuando la policía utiliza este software puede haber vidas y casos penales en juego, antes de permitir que un vídeo se haga público, el procedimiento habitual es realizar una revisión manual. Estas revisiones detectan cualquier área de la película que no se haya visto y a la que haya que prestar atención. El poder de estas herramientas en las manos adecuadas puede ayudar a retener información para ayudar a resolver casos y salvar vidas.