Investigadores de la Universidad de Cádiz aceleran un 70% el entrenamiento de modelos de inteligencia artificial
El nuevo método REDIBAGG, financiado por la Junta de Andalucía y aplicado con el supercomputador Urania, permite reducir tiempos sin pérdida de precisión en campos como medicina, industria o finanzas
Un equipo del Departamento de Ingeniería Informática de la Universidad de Cádiz ha desarrollado una nueva técnica de entrenamiento para modelos de inteligencia artificial (IA) que permite acelerar los procesos hasta un 70% sin comprometer la precisión. El proyecto, financiado por la Consejería de Universidad, Investigación e Innovación de la Junta de Andalucía y fondos FEDER, podría revolucionar el análisis de grandes volúmenes de datos en sectores clave como la medicina, la industria y las finanzas.
La herramienta, denominada REDIBAGG, ha sido validada en 30 conjuntos de datos reales con el supercomputador Urania y publicada en la revista científica Engineering Applications of Artificial Intelligence. Su gran ventaja es que utiliza submuestras más pequeñas pero representativas, lo que reduce drásticamente los recursos computacionales necesarios para entrenar modelos sin disminuir la calidad de los resultados.
REDIBAGG parte del conocido método bagging (bootstrap aggregating), pero introduce una mejora fundamental: en lugar de entrenar cada clasificador con submuestras del mismo tamaño que el conjunto original, emplea subconjuntos más reducidos, lo que acelera el proceso sin perder rendimiento. “En la era del big data, reducir los tiempos de aprendizaje es esencial”, explica Esther Lydia Silva, autora principal del estudio. “Hemos logrado mantener la fiabilidad disminuyendo los costes y tiempos de procesamiento”.
El sistema ha demostrado ser versátil y robusto, apto para trabajar con grandes volúmenes de datos y múltiples tipos de algoritmos de clasificación, como redes neuronales, árboles de decisión o modelos bayesianos. Según Juan Francisco Cabrera, coautor del estudio, “no está limitado a un tipo de datos específico, lo que lo hace especialmente útil en contextos muy diversos”.
Otra de sus fortalezas es su facilidad de implementación. REDIBAGG puede integrarse en entornos estándar de programación como Python, con bibliotecas de uso común como Scikit-learn, lo que facilitaría su adopción por parte de centros de investigación, empresas tecnológicas o administraciones públicas.
Además de mejorar el rendimiento, REDIBAGG promueve un uso más sostenible de los recursos informáticos. “Reducir horas de entrenamiento y almacenamiento se traduce en eficiencia energética y menor impacto ambiental”, subraya Silva.
Entre las aplicaciones más prometedoras del sistema se encuentran la detección temprana de enfermedades mediante sistemas automáticos de diagnóstico, la monitorización de fallos en procesos industriales en tiempo real, y la prevención de fraudes financieros mediante el análisis masivo de registros.
El equipo investigador tiene previsto liberar públicamente la herramienta para que pueda ser utilizada por la comunidad científica y desarrolladores de todo el mundo. Entre sus próximos pasos está también el estudio de su aplicación a otros métodos de aprendizaje automático, como tareas de regresión o técnicas de selección de variables para optimizar aún más la eficiencia.
Este avance consolida a la Universidad de Cádiz como un referente en el campo de la inteligencia artificial aplicada y refuerza el papel de la investigación andaluza en la transformación tecnológica de sectores clave para la economía y la sociedad.
