Columna de Rodrigo Ramírez: Entrenar modelos de IA para la seguridad pública

La competencia global por contar con modelos propios de lenguaje de gran tamaño LLM (Large Language Model) está siendo evidente en el propio navegador del computador. Cada vez se van sumando más pestañas abiertas con modelos de IA de empresas distintas: ChatGPT de OpenAI, Claude de Anthropic, BERT de Google, Llama de Meta, Grok de X, DeepSeek de China, Le Chat de Mistral, y se agregará el desarrollo chileno LatamGPT.

Es fundamental entender que la IA no solo se basa en reglas programadas de forma explícita, sino que también se sustenta en algoritmos capaces de aprender a partir de datos y ejemplos. En el caso de los modelos de lenguaje de gran tamaño, el aprendizaje se ha visto enormemente potenciado por contar con un alto volumen de datos, la eliminación del etiquetado manual masivo, aprovechando el aprendizaje autosupervisado, con lo que se reduce la necesidad de una labor intensiva de etiquetado, y contar con disponibilidad de Unidades de Procesamiento Gráfico GPU que con un alta capacidad de cómputo aceleran el entrenamiento de modelos, haciéndolos más eficientes.

Actualmente, la IA se integra en aplicaciones cotidianas, desde chatbots, asistentes virtuales, sistemas de recomendación en plataformas digitales, hasta las iniciativas de seguridad pública.

En Chile, surge el proyecto SITIA (Sistema Integrado de Teleprotección con Inteligencia Artificial), una iniciativa pionera impulsada por el Ministerio del Interior y la Subsecretaría de Prevención del Delito, cuyo objetivo es integrar la IA y las tecnologías emergentes para fortalecer la prevención del delito y garantizar la seguridad de las personas y los territorios.

Una de las aplicaciones más destacadas de la IA en teleprotección desarrollada por SITIA es el reconocimiento automático de placas patentes de vehículos que están en búsqueda y encargo por robo. Estos avances se han logrado principalmente mediante la ampliación de modelos existentes de visión por computadora, aprovechando el transfer learning para adaptar redes neuronales ya entrenadas a nuevos contextos y tareas específicas.

Estas tecnologías permiten detectar y rastrear vehículos con antecedentes delictivos, facilitando la labor de las fuerzas de seguridad. Además, mediante búsquedas semánticas avanzadas, es posible localizar vehículos con características específicas (color, presencia de imperfecciones, pegatinas, calcomanias, etc.) tanto en videos almacenados como en transmisiones en tiempo real. Estas capacidades mejoran la eficiencia en la identificación y seguimiento de vehículos que participan en hechos delictuales, contribuyendo a una respuesta más rápida y precisa ante posibles amenazas. Este sistema ha permitido a Carabineros de Chile en los últimos meses desbaratar 12 bandas criminales.

No obstante, el desarrollo y entrenamiento de nuevos modelos de IA presentan desafíos significativos. Aunque la transferencia de conocimiento posibilita adaptar modelos preexistentes a nuevas condiciones, por ejemplo, distintos formatos de placas patentes, entrenar un modelo desde cero exige una cantidad sustancial de datos que cubran todas las situaciones posibles. En el caso de la visión por computadora, la obtención y procesamiento de datos de video es especialmente costoso en términos de almacenamiento y etiquetado, requiriendo altos niveles de curación de datos para evitar sesgos y asegurar la precisión del modelo.

El uso de GPU se convierte aquí en un factor diferenciador. Gracias a su capacidad para manejar de forma eficiente grandes volúmenes de operaciones matemáticas en paralelo, las GPU aceleran notablemente tanto el entrenamiento como la inferencia de los modelos de IA. Sin embargo, la disponibilidad de estas unidades sigue siendo limitada en muchos lugares del Continente, incluido Chile, lo que restringe el desarrollo y la investigación en modelos avanzados a nivel local. Este escenario subraya la necesidad de inversiones en infraestructura digital y tecnológica, ya sea mediante la adquisición de hardware especializado o acuerdos con proveedores que ofrezcan estos recursos de forma remota.

En respuesta a estos retos, SITIA está construyendo la red más extensa de monitoreo visual en Chile, interconectando diferentes sistemas, diversas comunas, unificando fuentes públicas y privadas, y apoyándose en convenios establecidos para integrar cámaras de alta resolución que recopilan datos sobre el comportamiento vehicular y otras dinámicas en espacios públicos. Gracias a esta infraestructura en rápida expansión, SITIA está en posición de convertirse en el mayor proveedor de datos de video en entornos urbanos, lo que habilitará no solo la clasificación de comportamientos delictuales, sino también la capacidad de predecir eventos delictivos y desplegar recursos de manera proactiva, optimizando la eficacia de las operaciones de seguridad.

A futuro, el objetivo es desarrollar agentes visuales inteligentes que sean capaces de razonar y actuar con base en lo que “observan”. Estos agentes funcionarían de manera análoga a un “navegador visual”, interpretando escenas en tiempo real y proporcionando alertas o recomendaciones basadas en análisis contextuales. Para materializar esta visión, es esencial superar las limitaciones actuales en la recopilación y etiquetado de datos, así como en la disponibilidad de infraestructura de hardware adecuada. Solo mediante una inversión sostenida en estos ámbitos, sumada a la colaboración multidisciplinaria, será posible seguir avanzando en aprovechar el potencial de la IA para transformar la seguridad pública en Chile.

Por Rodrigo Ramírez, exsubsecretario de telecomunicaciones y lider del proyecto SITIA