La intel·ligència artificial ha avançat enormement en el camp de la visió per ordinador, però un dels reptes més complexos segueix sent la capacitat d'integrar informació des de múltiples perspectives per construir un model mental tridimensional coherent. Els models de llenguatge i visió (VLM) actuals, malgrat el seu impressionant rendiment en tasques com el reconeixement d'objectes o la descripció d'escenes des d'una sola imatge, fallen sistemàticament quan han de combinar observacions de diferents punts de vista. Aquest dèficit cognitiu és precisament el que aborda MultiView-Bench, un benchmark diagnòstic dissenyat per avaluar la integració multivista als VLM, i que suposa un pas crític per a aplicacions del món real com el muntatge de peces mecàniques, la navegació autònoma o la robòtica col·laborativa.
MultiView-Bench no es limita a mesurar la capacitat d'un model per reconèixer objectes en una imatge, sinó que exigeix que el sistema sigui capaç de desacoblar la posició dels objectes de la perspectiva transitòria de l'observador i referenciar-la a un sistema de coordenades global fix (alocèntric). Aquest tipus de raonament espacial tridimensional és fonamental perquè un agent d'IA pugui, per exemple, entendre que una femella vista des d'un angle frontal té la mateixa posició a l'espai que quan s'observa des d'un lateral, i que aquesta informació s'ha de fusionar per planificar un moviment d'agafament. Els benchmarks tradicionals, com els centrats en el mapatge de píxels o la navegació relativa a la càmera, no capturen aquesta complexitat.
L'avaluació sistemàtica dels VLM més avançats (com GPT-4V, Gemini i d'altres) revela patrons de fallada consistents. Aquests models obtenen resultats sòlids en relacions planes 2D des d'una sola imatge, però mostren dificultats notables quan han de gestionar relacions espacials 3D o agregar informació de múltiples vistes. A més, s'identifiquen biaixos preocupants: els models ensopeguen amb eixos de coordenades no convencionals (per exemple, quan la direcció 'amunt' no correspon a la gravetat estàndard) i són sensibles a canvis en el color o la textura dels objectes, cosa que indica que la seva representació interna no és robusta davant de variacions superficials. Aquestes troballes tenen implicacions directes per al desenvolupament de sistemes de visió artificial en entorns industrials o de consum, on la il·luminació, l'orientació i l'aparença poden variar enormement.
Per superar aquestes limitacions, els investigadors proposen ViewNavigator, un marc multiagent que selecciona activament els punts de vista més informatius, percep l'escena des d'aquestes perspectives i fusiona l'evidència obtinguda. Aquest enfocament millora significativament el rendiment de diversos models base a MultiView-Bench, fins i tot sota restriccions pressupostàries estrictes (comparacions amb el mateix nombre de vistes), i assoleix millores de 3 a 5 vegades quan s'utilitza l'agent complet. ViewNavigator demostra que la integració multivista no és només un problema d'arquitectura de xarxa, sinó també d'estratègia d'adquisició d'informació: saber quin angle observar és tan important com saber interpretar el que es veu.
Des d'una perspectiva empresarial, aquests avenços obren la porta a aplicacions que fins ara eren inviables. Per exemple, al sector de la fabricació, un sistema d'inspecció visual que integri múltiples vistes podria detectar defectes en peces complexes amb més precisió que un sistema basat en una sola càmera. A l'àmbit de la logística, un robot que entengui la disposició tridimensional d'un magatzem des de diversos angles podria optimitzar rutes de recollida. I al sector de l'automoció, els vehicles autònoms necessiten combinar informació de càmeres frontals, laterals i posteriors per construir un mapa de l'entorn en temps real. Per a totes aquestes solucions, la clau és disposar d'un programari robust que implementi aquests algoritmes d'integració espacial.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, entenem que la implementació d'aquests sistemes requereix més que un bon model d'IA: necessita una arquitectura de programari a mida que gestioni la ingesta de dades multivista, la sincronització temporal, la fusió d'informació i la presa de decisions en temps real. El nostre equip està especialitzat en el desenvolupament de solucions d'intel·ligència artificial que integren visió artificial, processament del llenguatge i lògica espacial, tot desplegat sobre infraestructures cloud escalables. A més, oferim aplicacions a mida que poden incorporar des d'agents IA conversacionals fins a sistemes de ciberseguretat per protegir les dades sensibles generades per aquests processos. La combinació d'IA, cloud AWS/Azure i business intelligence (Power BI) permet a les empreses no només implementar aquestes capacitats, sinó també monitoritzar el seu rendiment i extreure insights valuosos.
Un dels aspectes més interessants de ViewNavigator és el seu caràcter modular i la possibilitat d'adaptar-lo a diferents dominis. Per exemple, en entorns industrials on els costos computacionals són crítics, es pot ajustar el nombre de vistes seleccionades per mantenir un equilibri entre precisió i latència. Aquest tipus de personalització és precisament el que oferim des de Q2BSTUDIO: analitzem el problema del client, dissenyem l'arquitectura de programari més eficient i despleguem la solució al núvol (AWS o Azure) amb les mesures de seguretat necessàries. També integrem dashboards de Power BI perquè els responsables de producció visualitzin en temps real les deteccions i anomalies, facilitant la presa de decisions basada en dades.
El futur de la visió artificial passa per models que no només vegin, sinó que comprenguin l'escena tridimensional de forma holística, superant les limitacions de les perspectives individuals. MultiView-Bench i ViewNavigator són eines que ens acosten a aquest objectiu, però la veritable adopció industrial requerirà un esforç conjunt entre investigadors, desenvolupadors de programari i empreses tecnològiques. A Q2BSTUDIO estem compromesos amb aquesta missió, ajudant les organitzacions a transformar la investigació capdavantera en solucions pràctiques de programari que generin valor real. Ja sigui mitjançant la implementació d'agents IA per a control de qualitat, l'automatització de processos logístics o la integració de dades multivista en plataformes cloud, el nostre enfocament integral assegura que la tecnologia no es quedi al laboratori, sinó que impulsi la competitivitat empresarial.
