La universidad es el espacio ideal para crear, desarrollar y llevar a cabo grandes investigaciones, gracias a profesionales altamente capacitados y una sólida base académica orientada a la innovación. Sin embargo, existe una deficiencia que se ha evidenciado con mayor fuerza en los laboratorios: la falta de infraestructura tecnológica y equipamiento especializado, una pieza clave para avanzar al ritmo que demanda la ciencia aplicada actual.
Cuando el hardware no rinde, las investigaciones se ralentizan y los experimentos se vuelven largos o difíciles de ejecutar. Por ello es que en Winpy promovemos la conexión entre las universidades y las grandes empresas que desarrollan tecnología, disponiendo equipos, orientación y acompañamiento para acelerar las investigaciones.
Ese es el caso del TAR-Lab, un grupo de investigación de la Pontificia Universidad Católica de Chile, integrado por académicos, estudiantes de doctorado, magíster y pregrado, quienes se enfocan en desarrollar soluciones robóticas para la identificación y caracterización de la vegetación en entornos agrícolas y forestales. En proyectos de esta complejidad, una workstation potente no es solo una herramienta, sino un habilitador real del avance científico.
Tecnología para la investigación: el motor detrás de la innovación
Te invitamos a ver en video la investigación realizada por el equipo del TAR-Lab potenciado con una Workstation de Winpy, en colaboración con AMD y Gigabyte:
En el TAR-Lab se trabaja en la percepción robótica, un área que busca que los sistemas tecnológicos puedan interpretar su entorno de forma automática. Es decir, enseñan a las máquinas a ver, reconocer patrones y entender qué ocurre a su alrededor.
Para ello utilizan sensores LiDAR, es decir sensores láser que entregan información en 3D, en conjunto con cámaras multiespectrales e hiperespectrales que permiten analizar la vegetación. Si bien se obtiene información valiosa, esta tiene sus limitaciones, como explica Tito Arévalo, profesor e investigador de la Pontificia Universidad Católica de Chile:
“Las cámaras multiespectrales entregan información muy rica, pero son extremadamente sensibles a las variaciones de iluminación. El LiDAR, en cambio, es más estable, pero trabaja en una banda específica del espectro y no entrega información multibanda.”
El trabajo del equipo consiste en combinar lo mejor de ambos sensores para obtener resultados más estables y confiables, incluso cuando las condiciones del entorno varían.
Del video a la inteligencia artificial aplicada
En paralelo se trabajan otras líneas investigativas que requieren alto poder computacional. María José Marzá, estudiante de Magíster en Visión por Computador de la Pontificia Universidad Católica de Chile, trabaja en la detección y seguimiento de actividades mediante visión computacional y modelos de deep learning aplicados a grandes volúmenes de video, proyecto en el cual colabora el profesor Beda Barkokebas.
En simples palabras, esto es: buscar que los sistemas puedan entender qué está ocurriendo en una escena, identificar acciones y clasificarlas automáticamente. Esto tiene aplicaciones directas en áreas como la construcción industrializada, donde mejorar procesos, seguridad y trazabilidad es clave.
Según explica Tito, esta línea permite llevar las metodologías de percepción fuera del ámbito agrícola hacia nuevos dominios industriales, trabajando en conjunto con el profesor Beda Barkokebas.
Este tipo de modelos requiere muchos datos y mucha potencia de procesamiento.
Cuando el poder de cómputo se vuelve un límite
Investigación en curso, hardware insuficiente
Procesar nubes de puntos 3D densas, imágenes multiespectrales e hiperespectrales y largas secuencias de video implica una carga de cómputo considerable. Sin suficiente memoria RAM, capacidad de procesamiento y aceleración por GPU, los investigadores se ven obligados a:
- reducir la resolución de los datos,
- limitar el tamaño de los modelos,
- o extender significativamente los tiempos de procesamiento y entrenamiento.
Y es aquí donde la comunicación con Winpy es esencial. Por medio del préstamo de una workstation de alto rendimiento, potenciada con un procesador AMD Threadripper, el laboratorio pudo ejecutar sus procesos con mayor capacidad de cómputo y con menos restricciones técnicas, permitiendo trabajar con modelos más complejos, mayores volúmenes de datos y ciclos de experimentación más ágiles.
Una pieza clave en el rompecabezas
De acuerdo con Tito Arévalo, la workstation facilitada por Winpy cumple un rol central en el desarrollo de ambas líneas de trabajo.
“En ambos proyectos trabajamos con grandes volúmenes de datos: nubes de puntos densas, secuencias de imágenes multiespectrales y muchas horas de video.”
Procesar este tipo de información y entrenar modelos de aprendizaje profundo requiere alta capacidad de cómputo, tanto en memoria RAM como en GPU y procesador. Sin esa infraestructura, el equipo se vería obligado a reducir el tamaño de los modelos o el volumen de datos utilizados.
“Sin esta workstation, tendríamos que reducir mucho el tamaño de los modelos o el volumen de datos, lo que limitaría la calidad de los resultados y la velocidad de iteración.”
Una herramienta esencial
María José Marzá ha sido la principal usuaria de la workstation para entrenar y ajustar modelos de deep learning que trabajan sobre video. Respecto al tipo de modelo que utiliza, comenta:
“Estamos utilizando arquitecturas que requieren muchos recursos —tanto en GPU como en RAM— y la workstation nos permite procesar secuencias largas sin fragmentar los datos ni simplificar en exceso el problema.”
Esto tiene un impacto directo en los resultados:
“Eso se traduce en modelos más robustos, tiempos de entrenamiento razonables y la posibilidad de experimentar con diferentes configuraciones sin quedarnos pegados días o semanas en una sola prueba.”
Qué cambió desde que se integró la workstation
Según explica Tito Arévalo, los avances se han dado en tres dimensiones concretas:
- Escala de modelos: se pueden entrenar redes más grandes y con más datos.
- Velocidad de trabajo: los tiempos de entrenamiento y evaluación se han reducido considerablemente.
- Calidad de los datos procesados: se puede utilizar más información, logrando resultados más detallados, más precisos y más confiables.
Cuando la innovación se construye en conjunto
La investigación no avanza sola, y la tecnología tampoco. Necesita puentes, traductores y aliados que entiendan ambos mundos.
Winpy cumple ese rol: acercar la tecnología de las grandes marcas a las universidades, acompañando a quienes están creando conocimiento, experimentando y empujando los límites de lo posible.
Porque cuando la tecnología para la investigación llega en el momento correcto, la innovación deja de ser una promesa y se transforma en impacto real.
Agradecimientos
Agradecemos al profesor Tito Arevalo y a María José Marzá por su disposición y colaboración para compartir el trabajo que desarrollan en el TAR-Lab, así como a todo el equipo del laboratorio por participar de nuestras grabaciones y explicarnos en profundidad su investigación.
Asimismo, agradecemos a AMD y Gigabyte por su constante disposición a colaborar con iniciativas como esta y cuyo aporte fue fundamental para la construcción de la workstation que hoy nos permite potenciar proyectos de investigación.
