Glosario de IA · Fundamentos
Visión artificial
En una frase
La visión artificial es la rama de la IA que permite a un sistema interpretar imágenes y vídeo: reconocer objetos, leer texto, detectar defectos o describir una escena. Hoy se basa sobre todo en redes neuronales entrenadas con muchas imágenes.
También se llama: visión por computador · visión por ordenador · computer vision · reconocimiento de imágenes
¿Qué es la visión artificial?
Para un ordenador, una imagen es solo una cuadrícula de números: el color de cada píxel. La visión artificial es lo que convierte esos números en información útil: «aquí hay una factura», «el total es este», «esta pieza tiene una grieta».
Llévalo a tu empresa
La IA de UTIO, por API
Desde 29 €/mes + IVA
Para desarrolladores y agencias que montan sus propios productos.
Ver el API de IADurante años se hizo con reglas a mano: detectar bordes, medir formas, comparar con plantillas. Funcionaba en entornos muy controlados. El salto llegó con el deep learning: redes entrenadas con millones de imágenes que aprenden por sí solas qué rasgos distinguen un objeto de otro, incluso con mala luz o desde otro ángulo.
Relacionado con este término
API de IA
- Transcripción, voz, texto, imagen, OCR y embeddings
- Claves por cliente con tope de gasto
- Monedero prepago: recarga mínima de 50 €
Desde 29 €/mes + IVA Cuenta con panel, más consumo
Ver el API de IACómo funciona
- Captura. Una foto, un escaneo o un fotograma de vídeo entra como matriz de píxeles.
- Extracción de rasgos. Una red neuronal recorre la imagen por capas: primero detecta bordes y texturas, luego formas, luego objetos completos.
- Tarea. Según el modelo, el resultado es una clasificación (qué es), una detección (dónde está cada cosa), una segmentación (qué píxeles pertenecen a cada objeto) o una lectura de texto.
Los modelos más recientes son multimodales: combinan visión y lenguaje, así que puedes enseñarles una foto y preguntarles por ella en lenguaje natural. Su camino inverso es la IA generativa de imágenes, que crea una imagen a partir de una descripción.
Como cualquier modelo, la visión artificial se equivoca más con imágenes muy distintas de las que vio al entrenarse: fotos borrosas, documentos arrugados o formatos poco comunes.
Ejemplo
Una empresa de fontanería de Castellón recibe cada mes cientos de albaranes de proveedores, muchos fotografiados con el móvil en la furgoneta. Antes, alguien los tecleaba uno a uno en el programa de gestión.
Con visión artificial, cada foto pasa por un sistema de OCR que reconoce el texto y entiende la estructura: proveedor, fecha, referencias, cantidades e importe. Los datos llegan ya ordenados. Una persona solo revisa los que el sistema marca como dudosos, por ejemplo cuando la foto está borrosa.
Visión artificial en UTIO
El API de IA de UTIO incluye OCR: convierte facturas, albaranes y formularios escaneados en texto estructurado, con la misma clave que usas para transcripción, texto a voz, texto, imagen y embeddings. También genera imágenes a partir de una descripción.
Un uso habitual es encadenar piezas: el OCR extrae los datos del documento, un modelo de texto los clasifica o resume y el resultado se guarda en el CRM de UTIO, que también es accesible desde el API. Así un documento escaneado pasa a ser un dato con el que tu equipo o tus agentes pueden trabajar.
Preguntas frecuentes
¿Qué diferencia hay entre visión artificial y procesamiento de imágenes?
El procesamiento de imágenes transforma la imagen: la recorta, la aclara o elimina ruido. La visión artificial la interpreta: dice qué hay en ella. A menudo se combinan: primero se mejora la imagen y después un modelo la analiza.
¿El OCR es visión artificial?
Sí, es una de sus aplicaciones más antiguas y extendidas: reconocer el texto que aparece en una imagen o documento escaneado. Los sistemas modernos no solo leen las letras, también entienden la estructura del documento, como tablas, campos y totales.
¿Qué ejemplos de visión artificial hay en la vida cotidiana?
El desbloqueo facial del móvil, la lectura de matrículas en un aparcamiento, la búsqueda de fotos por contenido en tu galería, el escaneo de documentos con la cámara o el control de calidad en una línea de producción.
Términos relacionados
- OCR
El OCR (reconocimiento óptico de caracteres) es la tecnología que convierte el texto que aparece en una imagen, un PDF escaneado o una foto en texto digital que se puede editar, buscar y procesar. Con IA, además, entiende la estructura del documento.
- Deep learning
El deep learning o aprendizaje profundo es un tipo de machine learning que usa redes neuronales con muchas capas. Cada capa extrae rasgos más abstractos de los datos, lo que permite trabajar con texto, voz e imágenes sin reglas escritas a mano.
- Modelo multimodal
Un modelo multimodal es un modelo de IA capaz de recibir o generar varios tipos de datos, como texto, imágenes, audio o vídeo, y relacionarlos entre sí. Por ejemplo, puede leer la foto de una factura y responder preguntas sobre ella.
- Red neuronal
Una red neuronal artificial es un modelo matemático formado por capas de unidades conectadas, llamadas neuronas, que transforman una entrada numérica en una salida. Aprende ajustando el peso de cada conexión a partir de ejemplos.
- IA generativa
La IA generativa es la inteligencia artificial que crea contenido nuevo, como texto, imágenes, audio, vídeo o código, a partir de una instrucción, usando modelos entrenados con grandes cantidades de ejemplos de ese tipo de contenido.
Actualizado el