Como parte de nuestra solución, decidimos integrar Machine Learning para analizar las muestras submarinas en tiempo real, utilizando imágenes de "cores" reales.
Lo que parecía un proceso sencillo, resultó ser más complejo de lo que esperábamos. Las imágenes de cores con las que trabajamos provenían de bases de datos especializadas, y no siempre se ajustaban a lo que necesitábamos para nuestro modelo. Adaptar estas imágenes a nuestro sistema fue un verdadero desafío, ya que tuvimos que ajustar el modelo para que pudiera reconocer las muestras correctamente.
Lo que hicimos fue usar Teachable Machine de Google, una herramienta de aprendizaje automático que nos permitió entrenar nuestro modelo sin tener que ser expertos en programación. A pesar de la facilidad de uso de la plataforma, la adaptación de las imágenes fue todo un proceso de prueba y error. Tuvimos que asegurarnos de que las imágenes que utilizábamos fueran lo suficientemente claras y representativas de las muestras submarinas reales para que el modelo pudiera clasificarlas correctamente.
Además, nos encontramos con que algunas de las imágenes tenían características que no se ajustaban perfectamente a lo que el modelo había aprendido, por lo que realizamos varias iteraciones para mejorar la precisión del análisis. Fue un proceso de constante ajuste, buscando las mejores imágenes, ajustando los parámetros de entrenamiento y probando continuamente los resultados hasta conseguir una funcionalidad aceptable.
Finalmente, el modelo aprendió a reconocer las muestras con un alto nivel de precisión, lo que nos permitió integrar el análisis en tiempo real dentro del sistema SARAMS. Aunque no fue fácil, lo que más nos ha gustado de este proceso ha sido la capacidad de aprender y mejorar paso a paso, siempre buscando nuevas soluciones a los obstáculos que se nos presentaban.
Este desafío nos ha enseñado mucho sobre Machine Learning y cómo adaptarlo a un proyecto real, y nos sentimos muy orgullosos del avance que hemos logrado.