ImageNet: el conjunto de datos que enseñaría a ver a las máquinas (2006)
Fei-Fei Li apostó a que los datos, y no solo mejores algoritmos, abrirían la visión por computadora. ImageNet se convirtió en el referente que encendió la era del aprendizaje profundo.
A mediados de los 2000, la mayor parte de la investigación en visión por computadora perseguía mejores algoritmos sobre conjuntos de datos pequeños y ordenados. Fei-Fei Li, entonces en Princeton y pronto en Stanford, apostó por otra cosa: el cuello de botella eran los datos. Si un sistema iba a reconocer el desordenado mundo visual, primero necesitaba ver ese mundo a gran escala.
El resultado fue ImageNet, un esfuerzo que comenzó a mediados de los 2000 y se publicó como base de datos en 2009. Llegó a contener más de catorce millones de imágenes, etiquetadas a mano en miles de categorías.
Ordenar el mundo visual
ImageNet tomó su estructura de WordNet, una base de datos léxica que organiza las palabras en una jerarquía de conceptos. Cada concepto (“golden retriever”, “velero”, “fresa”) se convirtió en un contenedor que llenar con fotografías de ejemplo.
El etiquetado fue la parte difícil. El equipo recurrió a Amazon Mechanical Turk y repartió la tarea de clasificar y verificar imágenes entre decenas de miles de trabajadores en línea. Fue una de las primeras demostraciones de que se pueden construir conjuntos grandes y bien etiquetados combinando la web abierta con el juicio humano de la multitud.
El referente que marcó el ritmo
Desde 2010, ImageNet impulsó una competición anual, la ImageNet Large Scale Visual Recognition Challenge, en la que los equipos intentaban clasificar imágenes en mil categorías. Un referente compartido y público hizo que el progreso fuera de repente medible: todos competían en la misma tarea y la clasificación no atendía a la publicidad.
Durante dos años los resultados mejoraron solo despacio. Entonces, en 2012, un sistema de aprendizaje profundo entrenado con GPU redujo drásticamente la tasa de error y cambió el campo de un día para otro. Aquella participación, AlexNet, suele señalarse como la chispa del auge moderno del aprendizaje profundo, pero necesitaba una pista de despegue, e ImageNet fue esa pista.
Por qué importa
ImageNet replanteó una suposición central del aprendizaje automático: que el conjunto de datos puede importar tanto como el modelo. Las grandes colecciones etiquetadas se convirtieron en el combustible del aprendizaje supervisado, y la receta de “reunir datos a gran escala y luego entrenar” pasó de la visión al habla, al lenguaje y, con el tiempo, a los grandes modelos de la década de 2020.
La lección sobrevivió al referente concreto. Cuando más tarde se argumentó que la escala, más datos y más cómputo, era en sí misma una estrategia de investigación, se prolongaba una idea que ImageNet había demostrado una década antes.