La era del big data llegó hace algunos años y diferentes profesionales de varias áreas han

clamado poder tener el acceso al gran volumen de información que se produce gracias a

nosotros. Grandes cantidades de datos surgen cada día a nuestro alrededor y esto hace que

surjan diferentes preguntas. ¿Podrá el Big data ayudar a solucionar los diversos problemas

que nos acogen?¿Transformara el Big Data la forma en como estamos acostumbrados a ver

los datos?¿Con el gran volumen y velocidad en que se recojan los datos podrán rastrearse por

el conocimiento que se les proporcionará a las IA?

Si bien las bases de datos han estado agregando datos durante más de un siglo, Big

Data ya no es solo el dominio de actuarios y científicos. Las nuevas tecnologías han

hecho posible que una amplia gama de personas, incluidos académicos de

humanidades y ciencias sociales, comercializadores, organizaciones gubernamentales,

instituciones educativas e individuos motivados, puedan producir, compartir,

interactuar y organizar datos. Los conjuntos de datos masivos que alguna vez fueron

oscuros y distintos se están agregando y haciendo fácilmente accesibles.(Danah &

Crawford, 2011)

El Big data está principalmente está en la red , éste no sólo notable por la gran cantidad datos

sino por la relación con otros datos. Este nuevo ecosistema de datos tiene diferentes

características muy relevantes.El origen de los datos que se recolectan son altamente

variados , ya que este su origen es la internet , provienen de diferentes dispositivos es allí

donde podemos observar volumen y la velocidad de procesamiento de datos ,esto provoca

que los datos queden desfasados rápidamente y que pierdan su valor cuando que aparecen
otros nuevos.Esto hace que varias áreas tenga que trabajar a este ritmo para poder convertir

esta información en algo útil , es en este momento donde encontramos una de las

características más relevantes que tiene el big data, que es la veracidad de los datos , ya que

esta puede generar dudas acerca de su calidad , es por ello que la recopilación de data tenga

validez y que sean adecuados para los objetivo que sea planteado.

Con el auge del Big data , se han dado nuevos nacimientos de conceptos como el de “Data

Science” o “Ciencia de Datos”, que hace referencia a las técnicas necesarios para la

manipulación y transformación de la información desde un enfoque estadístico.Asimismo ,

esto ayuda bastante en el ámbito de la IA , ya que se dan gran cantidad de datos en modelos

para que este pueda aprender.

revisamos los recientes avances teóricos y tecnológicos emergentes de la inteligencia

artificial.(AI) en la configuración de big data. Concluimos que la integración del

aprendizaje automático basado en datos con el conocimiento humano (antecedentes

comunes o intuiciones implícitas) puede conducir efectivamente a una IA explicable,

robusta y general, de la siguiente manera: desde el cálculo superficial hasta el

razonamiento neuronal profundo; desde un modelo basado simplemente en datos a un

modelo basado en datos con reglas lógicas estructuradas desde inteligencia orientada

a tareas (dominio específico) (adherencia a instrucciones explícitas) a inteligencia

general artificial en un contexto general (la capacidad de aprender de la experiencia).

(ZHUANG, CHEN & PAN, 2017)

El caso que se está analizando tiene como objetivo desarrollar un tipo de sistema de agente

inteligente, que aplica el método eigenfaces para el reconocimiento de rostros a partir de

grandes cantidades de fotos sacada previamente y almacenadas en un base de datos bajo

cierta características y condiciones establecidas, donde la aplicación analizará e identificará si

es o no la persona de las fotografías.

 Las técnicas de detección y reconocimiento de rostros son herramientas poderosas

para el reconocimiento de usuarios de un cajero automático. Estas técnicas han sido

aplicadas en una amplia variedad de problemas, incluyendo: la identificación

biométrica para clasificación de individuos, sistemas de seguridad para

reconocimiento y procesamiento de imágenes y video para mejorar la calidad y

facilitar la búsqueda de información, entre otras. (Pedraza, Rondón, Arguello, 2011).

Este método eigenfaces puede ser muy útil si es incorporado en aplicaciones de

reconocimiento de patrones y de visión artificial, o como parte de un sistema biométrico

híbrido, el cual se puede utilizar como control de acceso a información o instalaciones. (Gil,

Benavides, Guiarte, Márquez, 2008). Asimismo, el método eigenfaces consiste en

descomponer un grupo de imágenes de rostros en un pequeño conjunto de vectores

denominados Eigenfaces, que poseen la información principal de un grupo inicial de caras de

entrenamiento. De esta manera, se logra cambiar el espacio original de la imagen, por otro

espacio generado a partir de las imágenes originales haciendo uso de la transformada de

Karthunen-Loeve también conocida como PCA (Pedraza, Rondón, Arguello, 2011).

 Fig1. Diagrama de un sistema de reconocimiento de rostro con el método Eigenfaces.

El proceso de este agente comenzará abriendo la cámara para que así pueda capturar las

imágenes del rostro de un individuo, con lo cual las almacenará en una base de datos y se les

asignará un id correspondiente. Después el agente con las imágenes previamente guardadas

en la base de datos comenzará a entrenar, las convertirá en escala de grises, obtendrá

características y parámetros definidos, y las almacenará en otro archivo entrenamiento. Por

último, el agente volverá abrir la cámara, pero esta vez es para comparar las imágenes que la

cámara web esté obteniendo con el archivo de entrenamiento que contiene las imágenes con

parámetros previamente establecidos, en este caso serán los rostros de las personas. Para que

el agente comience a compararlas, tiene haber una similitud de más del 80% entonces el

agente lo identificara como conocido y le asignará un nombre previamente establecido que

tiene relación con el id correspondiente al usuario.

 Fig2. Proceso para obtener el reconocimiento de rostro.

En este caso la problemática que tendría este caso sería con el almacenamiento, base de datos

y el análisis de estos.

Tienen problemas al almacenarlos debido al peso que estos tienen los videos y aún más si se

trata de videos a colores, así como también para base de datos ya que para poder identificar

personas se necesita una gran cantidad de fotos por personas que se usa como material de

referencia para el entrenamiento de dicho sistema para el caso de análisis algunos de estos

sistemas tienen un margen de error debido a que son sistemas predictivos y se basan en el

porcentaje de similitud que tiene la foto de la base de datos con la del video

Las soluciones actuales se basan en bajar la resolución del video que graba el lugar, así como

también ponerlo en blanco y negro solucionando el problema de almacenamiento en la base

de datos. Por ello lo que propone nuestro equipo es una restricción en el programa que solo

grabe en sus sistemas cuando detecte caras de personas buscadas así ahorraría mucha
cantidad de espacio, así como la reducción de las resoluciones del video además de cambiar

el video a blanco y negro, además de subir la tasa de predicción a un 95% como mínimo en

caso de que usen alguna máscara o accesorio para la cara ,ya que “Cuando se usa una

máscara, la tasa de reconocimiento puede alcanzar aproximadamente el 95%, lo que puede

garantizar que se pueda identificar a la mayoría de las personas” (Reuters, 2020)

Referencias
boyd, d., & Crawford, K. (2011). Seis provocaciones para Big Data. (tema de
investigación).

Gebhart, A. (2019, Marzo 27). Reconocimiento facial: Apple, Amazon, Google y la

carrera por captar tu cara. Retrieved from cnet en español:
https://www.cnet.com/es/noticias/reconocimiento-facial-apple-amazon-
google-ai/

Gil, Á., Benavides, M., Guilarte, Y., & Márquez, M. (2008). Sistema para el
reconocimiento e identificación de rostros a través de fotografías . (Artículo
de Investigación). Laboratorio de Prototipos, Decanato de Investigación,
UNET, Venezuela.
PEDRAZA PICO, B., RONDÓN, P., & ARGUELLO, H. (2011). Sistema de
reconocimiento facial basado en imágenes con color. Universidad Industrial
de Santander, Colombia. Retrieved from
https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/113-
122/3144

Reuters. (2020, Marzo 9). Firma de reconocimiento facial en China puede identificar
personas con máscara. Retrieved from TECNOLOGÍA:
https://www.voanoticias.com/a/firma-reconocimiento-facial-china-personas-
mascara-coronavirus-covid19/5321759.html

ZHUANG, Y.-t., WU , F., CHEN, C., & PAN, Y.-h. (2017). Retos y oportunidades: de
grandes datos a conocimiento en IA 2.0. (tema de investigacion). Yue-ting
ZHUANG, Fei WU ‡, Chun CHEN, Yun-he PAN, China.