Ojos aprendidos, criterio determinista

Un modelo de percepción es muy bueno respondiendo “what is in this image, where is it, and how big is it.” Nunca se le debe preguntar “and is that acceptable?” Son preguntas distintas con modos de falla distintos, y nuestra posición es que pertenecen a capas distintas del sistema, con la frontera entre ellas trazada de forma explícita en lugar de dejarla emerger.

El número que se mueve

El benchmark público para este problema es ELPV: 2,624 imágenes de celdas solares a 300 × 300 píxeles, extraídas de 44 módulos — 18 monocristalinos y 26 policristalinos — cada una anotada con una probabilidad de defecto^[1]. El artículo que introdujo la tarea de clasificación reportó 88.42% de exactitud para una CNN y 82.44% para un pipeline SVM en la tarea binaria de funcional-versus-defectuosa, entrenando con 1,968 de esas celdas y evaluando con 656^[1].

Ahora observemos qué le ocurre a ese número en otras manos. Un estudio de 2023 que evalúa varias arquitecturas sobre la misma tarea binaria de ELPV reporta 78.38% para una CNN simple, 84.01% para VGG16, 87.61% para DenseNet121 y 96.17% para su propio modelo propuesto^[2]. Un estudio de 2022 reporta 98.15% en la tarea binaria^[3], y un estudio de 2025 reporta un máximo de 90.13%^[4].

Sobre nominalmente la misma tarea y el mismo dataset, la exactitud publicada abarca cerca de veinte puntos. El orden ni siquiera es monótono respecto al año de publicación.

El resultado de 2022 es el más instructivo, porque los autores son francos sobre de dónde proviene. El mismo artículo reporta exactitudes de “48.39% and 87.67% for Inception-V3, 52.68% and 91.60% for ResNet50, finally 98.15% and 95.35% for combined features… before and after applying data augmentation”^[3]. Una decisión de preprocesamiento mueve la cifra principal cincuenta puntos.

Queremos ser cuidadosos con lo que esto muestra y lo que no. No todas son la misma tarea — algunas de esas cifras multiclase corresponden a rangos de severidad, otras a clasificaciones por tipo de defecto, y compararlas entre sí sería descuidado. Las cifras binarias de funcional-versus-defectuosa sí son comparables, y solo esas abarcan de 78.38% a 98.15%. Esa es la versión honesta, y es suficiente.

Por qué eso es un argumento sobre arquitectura

Un modelo cuya exactitud reportada se mueve veinte puntos según la elección del backbone, y cincuenta según la elección de la aumentación de datos, no es algo a lo que se quiera confiar un criterio de calidad. No porque sea malo — 96% en una tarea visual difícil es genuinamente impresionante — sino porque el número es una propiedad de un montaje experimental tanto como del mundo, y un criterio de aceptación tiene que ser una propiedad del producto.

El campo es franco sobre el límite de lo que se ha establecido. Una revisión de 2025 sobre diagnóstico por EL concluye que, si bien el transfer learning y los mecanismos de atención han demostrado ser efectivos, “there is a need for greater generalization across defect types and datasets”^[5]. No pudimos encontrar un estudio que entrene un modelo de defectos de EL en un dataset, lo evalúe en otro y reporte la degradación — el experimento que más se querría antes de confiar en que una cifra de exactitud publicada describa la propia línea. A falta de eso, asumimos que nuestra distribución no es la suya.

La separación

Así que separamos el sistema en tres capas, y somos estrictos sobre lo que cruza cada frontera.

La percepción es aprendida. Detecta, clasifica, segmenta y mide, y emite esas mediciones con su confianza adjunta. No sabe qué es un buen módulo y nunca se le pregunta. El criterio es determinista: toma mediciones y aplica los criterios de calidad, y emite una disposición junto con el criterio que la produjo y la evidencia que lo satisfizo. La atribución es estadística y llega al final — tendencias, correlaciones, dónde mirar después — y deliberadamente no tiene autoridad sobre la unidad que está frente a la cámara.

Hay precedente de esta forma en las normas. La especificación técnica de la IEC para electroluminiscencia de módulos establece métodos para capturar imágenes, para “process images to obtain metrics about the images taken in quantitative terms”, y para “provide guidance to qualitatively interpret the images”^[6]. Captura, medición, interpretación — tres actividades separables, y la especificación misma no fija ningún umbral de aprobación o rechazo. Los umbrales son la decisión de alguien, tomada deliberadamente, y la norma se abstiene de tomarla por ti.

Lo que esto nos da: una disposición que se puede reproducir

El beneficio práctico es la auditabilidad. Como el criterio es determinista, toda disposición se descompone en tres artefactos: la imagen, la medición extraída de ella y el criterio aplicado. Cualquier decisión puede reproducirse. Si un criterio cambia, podemos volver a correr la historia y ver exactamente qué unidades habrían recibido una disposición distinta, sin reentrenar nada. Si una medición parece equivocada, la discusión es sobre la medición, no sobre la disposición.

Con una calificación aprendida de extremo a extremo, nada de eso existe. Se tiene una puntuación y un mapa de saliencia, y el mapa de saliencia no es la razón — es un relato posterior sobre la razón. El argumento en contra de apoyarse en tales explicaciones es incómodamente sólido: si una explicación “was completely faithful to what the original model computes, the explanation would equal the original model, and one would not need the original model in the first place, only the explanation”^[7]. Las explicaciones de una caja negra son aproximaciones por construcción.

Conviene ser precisos sobre hasta dónde llega ese argumento. Se plantea principalmente sobre datos estructurados con características significativas, y su autora es más cautelosa respecto a la visión por computadora en crudo — que es exactamente nuestra capa de percepción. No afirmamos que el modelo de percepción deba ser interpretable. Afirmamos que la decisión debe serlo, y que el camino para lograrlo no es explicar una caja negra sino mantener el criterio fuera de ella. Desde esa misma perspectiva, el compromiso que se alega está sobredimensionado de entrada: “It is a myth that there is necessarily a trade-off between accuracy and interpretability”^[7].

La evidencia de que la transparencia cambia los resultados

Hay al menos un resultado controlado en nuestro propio entorno. En un experimento preregistrado con trabajadores de fábrica experimentados que realizaban inspección visual de defectos, los trabajadores apoyados por una IA de caja negra alcanzaron una exactitud balanceada de 88.6% mientras que los trabajadores a quienes se les dio una versión explicable llegaron a 96.3%, lo que los autores describen como “a five-fold decrease in the median error rate”^[8].

El detalle que hace esto relevante y no meramente alentador: la predicción de la IA era idéntica en ambos brazos. Solo se añadió la explicación. Así que esto no es evidencia de que los modelos interpretables sean más exactos — es evidencia de que una persona a la que se le da la base de un criterio de máquina detecta errores de la máquina que de otro modo aceptaría. Que es el mismo argumento de la separación en capas, llegando desde el lado humano.

A qué renunciamos

Esta arquitectura es más trabajo. Un modelo de extremo a extremo puede entrenarse solo con disposiciones; el nuestro necesita que las mediciones sean significativas por sí mismas, lo que implica definir qué se mide antes de que el modelo exista. También descarta una categoría de ganancia: un calificador aprendido puede explotar correlaciones en la imagen que ninguna medición explícita captura, y nosotros no las tendremos.

Creemos que ese es el intercambio correcto para una decisión que hay que defender y no solo tomar. Un número que oscila veinte puntos entre artículos publicados sobre el mismo benchmark es un buen detector y un mal juez. Preferimos construir nosotros mismos al juez, en código que podamos leer, y dejar que el modelo haga aquello en lo que es genuinamente extraordinario.