Sun, exbecario Rachel Carson de la Escuela Nicholas y becario de investigaci\u00f3n de pregrado de la Beca Espacial de Carolina del Norte, investig\u00f3 recientemente el tema de la aumentaci\u00f3n de datos para su tesis de grado, que planea publicar. En concreto, explor\u00f3 si la IA podr\u00eda producir im\u00e1genes lo suficientemente realistas como para complementar las grabaciones con drones de la\u00a0ballena franca<\/a>\u00a0del Atl\u00e1ntico Norte, en peligro cr\u00edtico de extinci\u00f3n, cuya poblaci\u00f3n se ha reducido a menos de 400 individuos. En teor\u00eda, los datos sint\u00e9ticos podr\u00edan utilizarse para entrenar otras herramientas de IA para detectar ballenas francas del Atl\u00e1ntico Norte en grabaciones a\u00e9reas reales. La investigaci\u00f3n de Sun se inspir\u00f3 en una colaboraci\u00f3n m\u00e1s amplia entre la Escuela Nicholas y varias organizaciones canadienses, entre ellas la Agencia Espacial Canadiense, Pesca y Oc\u00e9anos Canad\u00e1, la Universidad de Nuevo Brunswick y el grupo de consultor\u00eda ambiental Hatfield Consultants, para construir un sistema de detecci\u00f3n basado en el espacio para las ballenas francas del Atl\u00e1ntico Norte, que son notoriamente esquivas, en gran parte debido a su peque\u00f1a poblaci\u00f3n.<\/p>\n\n\n\n “Hay mucho oc\u00e9ano, y a pesar de que las ballenas est\u00e1n regresando, todav\u00eda hay muy pocas en comparaci\u00f3n con el \u00e1rea que hay que buscar”, dice Johnston, quien fue el director de tesis de Sun. “Eso significa que necesitamos herramientas muy eficientes para encontrarlas. Pero tambi\u00e9n significa que a menudo no disponemos de buenos archivos de datos para entrenar esos modelos para que las identifiquen”.<\/p>\n\n\n\n Para crear ballenas deepfake, Sun y su equipo utilizaron modelos de difusi\u00f3n, que generan im\u00e1genes en respuesta a indicaciones en forma de texto descriptivo, una imagen ejemplar o ambas. Aunque otros investigadores han explorado maneras de aumentar los datos<\/a> para su uso en la detecci\u00f3n de ballenas, el equipo afirma ser el primero en utilizar modelos de difusi\u00f3n para este prop\u00f3sito.<\/p>\n\n\n\n Los investigadores utilizaron varios modelos de difusi\u00f3n disponibles comercialmente, preentrenados con grandes cantidades de datos de internet. En otras palabras, estos modelos base, como se les conoce, est\u00e1n preparados para producir diversas im\u00e1genes en respuesta a indicaciones.<\/p>\n\n\n\n Sun y su equipo experimentaron con varios m\u00e9todos de generaci\u00f3n de im\u00e1genes, primero con indicaciones de texto, luego con indicaciones de imagen y, finalmente, con un m\u00e9todo llamado ajuste fino, que inclu\u00eda indicaciones de texto e imagen. El ajuste fino es una forma de mejorar el rendimiento de un modelo base para una tarea espec\u00edfica (en este caso, la producci\u00f3n de fotos hiperrealistas de ballenas de alta resoluci\u00f3n) entren\u00e1ndolo con un conjunto de datos m\u00e1s peque\u00f1o y espec\u00edfico.<\/p>\n\n\n\n “A veces, el modelo de difusi\u00f3n produce im\u00e1genes de ballenas anat\u00f3micamente deformadas, como ballenas unidas o con m\u00faltiples pares de aletas, lo que demuestra que a\u00fan no ha aprendido la representaci\u00f3n m\u00e1s precisa”, explica Sun. El ajuste puede ense\u00f1ar al modelo a evitar esos errores.<\/p>\n\n\n\n En total, el equipo cre\u00f3 cientos de im\u00e1genes a\u00e9reas de ballenas francas del Atl\u00e1ntico Norte y, a modo de comparaci\u00f3n, cientos de im\u00e1genes a\u00e9reas de ballenas jorobadas. Dado que se dispone de muchas m\u00e1s im\u00e1genes reales de ballenas jorobadas para entrenar la IA generativa, el equipo plante\u00f3 la hip\u00f3tesis de que sus modelos producir\u00edan im\u00e1genes sint\u00e9ticas de ballenas jorobadas m\u00e1s realistas.<\/p>\n\n\n\n El \u00faltimo paso fue comprobar la veracidad de las ballenas que simularon en deepfake. \u00bfEran cre\u00edbles? Para responder a esta pregunta, los investigadores introdujeron sus fotos en una herramienta de Google llamada B\u00fasqueda Inversa de Im\u00e1genes, que analiza una imagen de entrada, busca im\u00e1genes similares en internet y genera resultados. En este caso, el objetivo era comprobar si Google pod\u00eda reconocer las ballenas representadas en los datos sint\u00e9ticos y mostrar im\u00e1genes de la misma especie.<\/p>\n\n\n\n En las fotos falsas generadas mediante indicaciones de texto o imagen, Google confundi\u00f3 muchas ballenas francas del Atl\u00e1ntico Norte con ballenas jorobadas. En cambio, identific\u00f3 correctamente ambas especies de ballena en casi todas las im\u00e1genes generadas mediante ajustes. El equipo tambi\u00e9n descubri\u00f3 que las im\u00e1genes de ballenas francas del Atl\u00e1ntico Norte creadas mediante ajuste fino eran m\u00e1s precisas que aquellas generadas solo con indicaciones de texto o im\u00e1genes.<\/p>\n\n\n\nPoniendo a prueba la credibilidad<\/h2>\n\n\n\n
![\"\"](\"https:\/\/einsteresante.com\/wp-content\/uploads\/2025\/08\/image-33.png\")