Browsing by Author "Rigoni, Brian Ariel"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Una evaluación de modelos de reconocimiento de flora para aplicaciones en teléfonos sin conectividad a internet
    (2024) Rigoni, Brian Ariel
    El uso de modelos de inteligencia artificial (IA) en dispositivos móviles ha cobrado una relevancia significativa en los últimos años, impulsado por los avances en tecnología de hardware y la recopilación de vastas cantidades de datos. Esta tendencia ha dado lugar al surgimiento del aprendizaje profundo, un subconjunto del aprendizaje automático centrado en aprender representaciones a partir de datos a través de múltiples capas, generando representaciones significativas del modelo de manera incremental. El aprendizaje profundo, en particular en el campo de la visión por computadora, ha encontrado aplicaciones en diversos ámbitos, incluidos la atención médica, la industria automotriz y el sector financiero. En este estudio, el objetivo es implementar un modelo de IA para la detección y clasificación offline de la flora en el Parque Nacional de Tierra del Fuego A.I.A.S (PNTDF) utilizando dispositivos móviles, sin embargo, desplegar modelos de IA en dispositivos móviles presenta desafíos únicos debido a la limitada capacidad de procesamiento, las restricciones de duración de la batería y la reticencia de los usuarios a instalar aplicaciones con tamaños grandes. Este desafío es especialmente relevante en el contexto del PNTDF, donde existe la necesidad de digitalizar la información para los visitantes con el fin de mitigar el impacto ambiental y promover la conciencia sobre las especies autóctonas. Se revisa la literatura existente sobre modelos de IA para la detección y clasificación de objetos, se identifican modelos adecuados para identificar la flora autóctona y se evalúa su idoneidad para su uso offline en dispositivos móviles. Los resultados obtenidos del entrenamiento del modelo proporcionan información valiosa para la selección y preselección del modelo, pero la verdadera eficacia del modelo se prueba durante la integración con la aplicación. Se enfatiza la importancia de priorizar una primera versión del modelo que proporcione un rendimiento robusto y practicidad sobre la búsqueda de un modelo ideal en términos de precisión, velocidad y tamaño. Las futuras direcciones de investigación incluyen la expansión del conjunto de datos, el perfeccionamiento de la precisión del modelo, la implementación de prácticas de MLOps para la gestión eficiente del ciclo de vida del modelo y la realización de pruebas automatizadas en la aplicación móvil para garantizar una mejora continua y la satisfacción del usuario. Este estudio representa un gran paso hacia la implementación efectiva de un modelo de IA para la detección y clasificación offline de la flora en el PNTDF, beneficiando a los visitantes y turistas. The use of artificial intelligence (AI) models on mobile devices has gained significant relevance in recent years, driven by advances in hardware technology and the collection of vast amounts of data. This trend has led to the rise of Deep Learning, a subset of Machine Learning focused on learning representations from data across multiple layers, generating meaningful representations of the model incrementally. Deep learning, particularly in the field of computer vision, has found applications in various fields, including healthcare, the automotive industry, and the financial sector. In this study, the objective is to implement an AI model for offline detection and classification of flora in the Tierra del Fuego National Park (PNTDF) using mobile devices; however, deploying AI models on mobile devices presents unique challenges due to limited processing power, battery life constraints, and user reluctance to install large app sizes. This challenge is especially relevant in the context of the PNTDF, where there is also a need to digitize information for visitors in order to mitigate environmental impact and promote awareness about native species. The existing literature on AI models for object detection and classification is reviewed, suitable models for identifying native flora are identified, and their suitability for offline use on mobile devices is evaluated. The results obtained from model training provide valuable information for model selection and pre-selection, but the true effectiveness of the model is tested during integration with the application. The importance of prioritizing a first version of the model that provides robust performance and practicality is emphasized over the search for an ideal model in terms of accuracy, speed and size. Future research directions include expanding the dataset, refining the accuracy of the model, implementing MLOps practices for efficient model lifecycle management, and performing automated testing on the mobile application to ensure a continuous improvement and user satisfaction. This study represents a great step towards the effective implementation of an AI model for the offline detection and classification of flora in Tierra del Fuego National Park, benefiting visitors and tourists.