Investigadores del Departamento de Lenguajes y Ciencias de la Computación de la Universidad de Málaga han creado una inteligencia artificial exprés que aprende a reconocer imágenes con solo cinco ejemplos.

Se trata de ‘ProbaCLIP’, una innovadora metodología que permite que una IA aprenda a reconocer nuevas categorías de objetos utilizando solo un ‘puñado’ de ejemplos (técnica conocida como few-shot learning), alcanzando niveles de precisión elevados sin necesidad de procesos de reentrenamiento largos y costosos.

El equipo científico, que forma parte también del grupo de Inteligencia Computacional y Análisis de Imágenes de IBIMA Plataforma BIONAND, ha sido liderado por el catedrático de la E.T.S.I de Informática Ezequiel López Rubio. Asimismo, los investigadores Marcos Sergio Pacheco dos Santos Lima Junior y Juan Miguel Ortiz de Lazcano Lobato también son impulsores de este proyecto.

La gran ventaja de ProbaCLIP es que es un método "libre de entrenamiento" (training-free). Mientras que otros sistemas actuales requieren ajustar miles de parámetros internos cada vez que se les enseña algo nuevo, la propuesta de la UMA aprovecha un modelo de aprendizaje profundo ya preentrenado (llamado CLIP, desarrollado por OpenAI) y le añade una capa de estadística avanzada.

"Nuestro método estima las probabilidades de que una imagen pertenezca a una clase u otra basándose únicamente en unos pocos ejemplos visuales", explican los autores de este estudio, que ha sido publicado en la revista científica ‘Mathematics’.

Precisión y eficiencia energética
En pruebas estándar con bases de datos internacionales, el sistema alcanzó una precisión de hasta el 98,37 por ciento utilizando solo cinco imágenes por categoría, y llegó al 99,80 por ciento en tareas con 16 ejemplos.

Además, es extremadamente ligero y rápido. Según los investigadores, ProbaCLIP puede ejecutarse en dispositivos con recursos limitados (como móviles o sensores industriales) porque consume muchísima menos energía y potencia de cálculo que los modelos convencionales que requieren entrenamiento constante.

Aplicaciones: de la medicina a la inspección de infraestructuras
Esta tecnología tiene un impacto directo en sectores donde conseguir miles de imágenes es “imposible o muy caro”, como por ejemplo puede ser el diagnóstico médico para identificar enfermedades raras donde solo existen unos pocos casos documentados.

Además, la herramienta es útil para proceder con la inspección industrial, esto es, detectar grietas o fallos específicos en piezas de fábrica sin tener que detener la producción para entrenar al sistema. Otro ámbito donde es de gran utilidad es para reconocer objetos o patrones anómalos de forma instantánea. 

Para su desarrollo, lo científicos utilizaron una técnica matemática denominada ‘Análisis de Componentes Principales’ (PCA), que ayuda a la IA a descartar la información irrelevante y centrarse solo en los detalles que realmente diferencian a un objeto de otro, evitando que la máquina se confunda ante datos espurios.

Este proyecto ha contado con el apoyo de la Junta de Andalucía, del Ministerio de Ciencia e Innovación, la Fundación Unicaja y el soporte técnico del centro de supercomputación SCBI de la Universidad de Málaga.

Referencia bibliográfica:
Pacheco dos Santos Lima Junior, M. S., Ortiz-de-Lazcano-Lobato, J. M., & López-Rubio, E. (2025). Training-Free Few-Shot Image Classification via Kernel Density Estimation with CLIP Embeddings. Mathematics, 13(22), 3615. https://doi.org/10.3390/math13223615