Reconocimiento facial y de Imágenes con la Inteligencia Artificial en la Seguridad y el Sector Defensa

 

La tecnología de reconocimiento facial accede a la información biométrica, como las características y proporciones del rostro o las expresiones faciales, únicos de cada persona, por lo que se puede llevar a cabo una identificación y relacionar el entorno y los humanos que se encuentren en dicho entorno, buscando la autenticación de la persona o de un conjunto de personas. Las aplicaciones en los campos de Seguridad y de la Defensa, son vastas y permiten acciones de prevención y mitigar los riesgos para personas, instituciones o espacios vitales.

Evolución de la inteligencia de imágenes con las IA´s.

La Inteligencia de Imágenes (IMINT) ha experimentado una transformación compleja con la integración de las IA´s y el reconocimiento facial. Las IMINT dependían de analistas humanos examinando fotografías satelitales y aéreas. Ahora, los algoritmos de IA procesan automáticamente millones de datos de imágenes, identificando rostros y patrones con extrema precisión.

Las Plataformas de Recolección IMINT con Reconocimiento Facial e IA´s

• Satélites de Reconocimiento de Nueva Generación: Los satélites modernos como los de la serie KH-12 (EUA) o la serie de satélites artificiales Gaofen (China), capturan imágenes con resolución suficiente para reconocimiento de imágenes desde el espacio. La IA procesa estas imágenes en tiempo real, identificando objetivos específicos en áreas extensas.
• Drones de Vigilancia: Plataformas de vehículos aéreos autónomos como el MQ-9 Reaper o Global Hawk equipped con la tecnología militar de captura de imágenes Gorgon Stare (EUA), pueden mantener vigilancia continua sobre áreas urbanas, procesando múltiples entradas de video simultáneamente para rastrear objetivos específicos durante un periodo de tiempo continuado.
• Aeronaves de inteligencia especializada: Aviones adaptados para la vigilancia aérea, ahora incorporan sistemas de captura de imágenes de alta resolución con procesamiento de IA a bordo, permitiendo identificación facial y de imágenes de alta resolución, en tiempo real durante misiones de inteligencia.

Procesamiento Automatizado de IMINT

• Análisis Multi-espectral: Los sistemas de IA analizan imágenes en diferentes longitudes de onda (visible, infrarrojo, térmico) para identificar imágenes y aspectos faciales, incluso en condiciones adversas de iluminación o personas ocultas.
• Correlación Temporal: Los nuevos algoritmos rastrean el mismo individuo a través de múltiples imágenes capturadas en diferentes momentos, construyendo líneas de tiempo detalladas de movimientos y actividades.
• Fusión de Fuentes: Los sistemas de reconocimiento facial y de imágenes, pueden con soporte en las IA, combinar de manera automática, los datos de múltiples sensores satelitales (remotos), drones, cámaras terrestres, etc. Para crear una imagen completa de los movimientos de un objetivo

Capacidades de Procesamiento en Tiempo Real

• Edge Computing en Plataformas: Los drones y satélites modernos incorporan procesadores de IA que pueden realizar reconocimiento facial y de imágenes directamente a bordo, transmitiendo solo las identificaciones positivas para reducir las latencias de transmisión y mejorar la distribución de la información de manera confiable.
• Alertas Automáticas: Sistemas que generan alertas instantáneas cuando objetivos de alto valor son detectados en cualquier parte del globo, permitiendo respuestas rápidas.
• Predicción de Movimientos: Análisis de patrones históricos de movimiento para predecir dónde aparecerá un objetivo específico, optimizando la asignación de recursos de vigilancia y control.
• Reducción de la infraestructura de almacenamiento: El hardware de almacenamiento en disco HDD o SD, en topologías centralizadas, disminuye extremadamente, cuando se distribuye la información a almacenar en varios equipos de borde.
• Transferencia segura de la información: La información facial y de imágenes puede ser codificada y enviada a distintos servidores de borde, para aumentar la seguridad de la información, pero con capacidad de recuperación rápida cuando sea requerido.

Las tecnologías de reconocimiento facial y de imágenes esta cambiando de manera radical, incluso nuevos dispositivos se asocian al procesamiento de imágenes como la GPU (Graphics Processing Unit) y la VPU (Vision Processing Unit), contribuyendo al avasallador avance tecnológico.

 

Los tres conceptos del hardware moderno para aplicaciones de inteligencia artificial

 

1. Procesamiento Paralelo (Parallel Processing)

 Es la capacidad de ejecutar múltiples operaciones o cálculos de forma simultánea, en lugar de hacerlo de manera secuencial (uno tras otro). A diferencia de un proceso lógico secuencial, las operaciones se realizan en bloques de pequeñas operaciones.
Los algoritmos de IA, como el aprendizaje profundo (Deep Learning), se basan en operaciones de álgebra lineal a gran escala, principalmente multiplicaciones de matrices y vectores (operaciones tensoriales). Estas operaciones se pueden descomponer en miles de pequeños cálculos independientes que pueden ejecutarse al mismo tiempo, aumentando la eficiencia y la rapidez para obtener resultados.
 

Para el procesamiento paralelo, se utilizan:

• GPUs (Unidades de Procesamiento Gráfico). Originalmente diseñadas para renderizar píxeles y polígonos (una tarea inherentemente paralela), su arquitectura de decenas de núcleos simples es perfecta para las operaciones matriciales de las redes neuronales. Una GPU puede realizar miles de multiplicaciones y sumas simultáneamente, acelerando el entrenamiento de modelos de inteligencia artificial.
• TPUs (Unidades de Procesamiento Tensorial). Diseñadas por Google específicamente para IA. Van un paso más allá que las GPUs. Están optimizadas para las operaciones de baja precisión (como los formatos de números FP16 o INT8) que son comunes en la inferencia y el entrenamiento de IA. Tienen una arquitectura matricial que puede procesar bloques enormes de datos en un solo ciclo de reloj.
• VPU (Unidad de Procesamiento Visual). Los VPU son utilizados para procesar patrones visuales, pueden manejar grandes datos dedicados al procesamiento de imágenes y realizar cualquier tipo de operación con esta información.
• FPGAs (Arrays de Puertas Programables). Son microsistemas integrados (chips) cuyo hardware puede ser reconfigurado por el usuario. Esto permite a los ingenieros diseñar una arquitectura de procesamiento paralelo personalizada para un modelo de IA específico, maximizando la eficiencia.

2. Memoria Distribuida (Distributed Memory)

 
En lugar de tener una única unidad de memoria central a la que todos los procesadores acceden, cada procesador (o grupo de procesadores) tiene su propia memoria local. Los procesadores deben comunicarse entre sí a través de una red para intercambiar datos y coordinar cada parte del proceso.
Los modelos de IA, utilizan algoritmos con base de datos bastante grandes (con millones de parámetros) y los conjuntos de datos son muchas veces demasiado grandes, que no caben en la memoria (hardware) de una sola máquina. La memoria distribuida permite escalar horizontalmente, compartiendo bloques de información, pero todos interconectados entre ellos, así tenemos finalmente una red de memoria distribuida. Las técnicas y métodos utilizados, a efectos de conseguir esto, son:

• Clústers de Procesos de cómputo. Conectan múltiples servidores (nodos), cada uno con sus propias GPUs y memoria RAM, mediante redes de alta velocidad (como InfiniBand o Ethernet de alta gama). En aplicaciones de inteligencia artificial, se utiliza un framework (mucho más que librerías) como TensorFlow o PyTorch que pueden distribuir automáticamente el entrenamiento de un modelo.
• Paralelismo de Datos. Se divide el lote de datos entre los distintos nodos. Cada nodo calcula los gradientes con su subconjunto de datos y luego todos sincronizan y promedian sus resultados.
• Paralelismo de Modelos de AIs. Se divide el modelo mismo en varias partes, cada parte se ejecuta en un nodo diferente. Esto es útil para modelos extremadamente grandes que no caben en la memoria de una sola GPU.
• Memoria HBM en GPUs/TPUs. Incluso a nivel de un solo chip, el concepto se aplica. Las GPUs modernas no usan memoria RAM estándar, sino “High-Bandwidth Memory (HBM)”,. Esto crea múltiples canales de memoria de ultra alto ancho de banda que se distribuyen a lo largo de los núcleos de la GPU, apilándose en bloques tridimensionales, así se consigue minimizar el cuello de botella de acceder a una memoria central más alejada.

De esta manera, las tecnologías de construcción permiten el manejo de millones de datos en nanosegundos, distribuyendo el trabajo entre muchas pilas de memoria asociadas a los GPUs.

3. Adaptabilidad (Adaptability)

 El diseño del hardware (electrónica) tiene ahora la capacidad de reconfigurarse o adaptar su arquitectura para comportarse de manera óptima a una carga de trabajo específica, en lugar de ser un diseño fijo y de propósito general. Esto ocurre generalmente porque los algoritmos de las AIs evolucionan muy rápido. Un hardware fijo (como el caso clásico del CPU centralizado), puede volverse obsoleto o ineficiente para las nuevas arquitecturas de redes neuronales que surgen de manera continuada. La adaptabilidad permite que el hardware se mantenga vigente y eficiente. Existen diseños de hardware especializados para estos casos, aquí mencionaremos solo algunos:

• FPGAs (Arreglos de puertas Programables). Son uno de los mejores ejemplos de la adaptabilidad. Es posible con estos diseños, cargar un "bitstream" que reconfigure “literalmente” las conexiones eléctricas del chip, derivando de ello, un circuito especializado para, por ejemplo, una red de transformers o una GAN (Generative Adversarial Networks). Esto ofrece una eficiencia energética y de rendimiento superior para una tarea concreta, pero como contrapartida, existirán mayores complejidades de programación.
• ASICs (Circuitos Integrados de Aplicación Específica). Son chips diseñados desde cero para una única función (por ejemplo el chip NVDLA de NVIDIA para inferencia de deep learning). Son la forma más eficiente y potente, pero son completamente fijos. La "adaptabilidad" aquí ocurre en la fase de diseño: se crea un nuevo ASIC para adaptarse a las nuevas demandas del mercado.
• Arquitecturas Neuromórficas. Estos Chips como el “Intel Loihi 2” de Intel Labs, utilizan "spiking neural networks (SNN)", incluye 6 nucleos microprocesadores y 128 nucleos neuronales y su conectividad sináptica puede adaptarse y cambiar dinámicamente durante el funcionamiento, similar a la plasticidad sináptica en un cerebro biológico. Esto es adaptabilidad en su máxima expresión. El futuro de la tecnología de computo puede basarse en inteligencia artificial neuromórfica.