El problema que casi nadie entrena a resolver: enseñarle a una IA a decir 'no sé qué es esto'

Casi el 90% de las especies del planeta siguen sin describir formalmente, según recuerda el propio equipo detrás de Open-Insect, un banco de pruebas presentado como spotlight en NeurIPS 2025, una de las conferencias más importantes de inteligencia artificial del mundo. Mientras tanto, cada modelo de clasificación automática que hoy corre en una cámara trampa o un colector de campo comparte un mismo defecto de fábrica: solo sabe nombrar lo que ya conoce.

Si una especie nueva para la ciencia aparece frente a esa cámara, el modelo no la señala como desconocida. La fuerza a encajar en la categoría más parecida que sí tiene entrenada, y sigue de largo.

Qué es el "reconocimiento de conjunto abierto"

En aprendizaje automático, casi todos los clasificadores de imágenes se entrenan bajo un supuesto llamado closed-set: asumen que cualquier imagen nueva pertenece a una de las categorías que ya vieron durante el entrenamiento. Es la misma lógica que usa un modelo entrenado para distinguir gatos de perros: si le muestras un caballo, va a decir "gato" o "perro" igual, porque nunca aprendió que existe una tercera opción, ni mucho menos a decir "no sé".

El campo que intenta corregir eso se llama open-set recognition (OSR, reconocimiento de conjunto abierto): enseñarle al modelo a reconocer cuándo lo que tiene enfrente no pertenece a ninguna de sus categorías conocidas, en lugar de forzar una respuesta equivocada con la misma confianza que una correcta.

El banco de pruebas: Open-Insect

El artículo, firmado por Yuyan Chen, Nico Lang, B. Christian Schmidt, Aditya Jain, Yves Basset, Sara Beery, Maxim Larrivée y David Rolnick, construyó un conjunto de datos de insectos a gran escala pensado específicamente para medir qué tan bien funciona el reconocimiento de conjunto abierto en condiciones reales de monitoreo de biodiversidad, con regiones geográficas de distinta dificultad. Evaluaron 38 algoritmos distintos de OSR, agrupados en tres familias: métodos post-hoc (que ajustan la decisión después de clasificar), regularización durante el entrenamiento, y métodos que usan datos auxiliares para aprender mejor los límites de lo desconocido.

Lo interesante del diseño es que no se limitaron a simular el problema con datos ya existentes: una parte del conjunto de prueba se recolectó directamente en campo, e incluye 59 especies que el propio equipo considera probablemente nuevas para la ciencia, exactamente el tipo de hallazgo que hoy depende de que un taxónomo especializado revise el ejemplar a mano.

Qué funcionó y qué no

El hallazgo más incómodo del estudio es que los métodos más simples siguieron siendo los más difíciles de superar: el enfoque post-hoc basado en observar directamente los puntajes de confianza (softmax) que ya produce cualquier clasificador estándar resultó ser una base sorprendentemente sólida frente a alternativas mucho más sofisticadas. En otras palabras, buena parte de la complejidad adicional que se ha propuesto en la literatura de OSR todavía no logra superar de forma consistente algo relativamente simple, al menos en este dominio.

Eso no es una mala noticia: significa que la barrera de entrada para experimentar con estas ideas en proyectos de monitoreo reales es más baja de lo que parece, porque no depende de infraestructura de cómputo exótica, sino de revisar con cuidado qué tan bien calibrada está la confianza de un modelo ya existente.

Qué podría significar esto para el monitoreo de biodiversidad

Aquí conviene ser preciso sobre qué es evidencia y qué es hipótesis propia de este artículo. Lo que Open-Insect demuestra, con datos reales y revisados por pares, es que ya existen métodos capaces de señalar con una precisión razonable cuándo una imagen no encaja con ninguna especie conocida. Lo que todavía no existe documentado es un sistema de este tipo operando de forma rutinaria dentro de un programa de monitoreo de biodiversidad en campo, más allá del entorno de investigación del propio benchmark.

La hipótesis razonable, y así queda planteada, en condicional, es que una cámara trampa, un colector de artrópodos o un sistema de bioacústica que aplique este tipo de filtro podría dejar de tratar cada imagen desconocida como ruido o como un error de clasificación, y en cambio empezar a acumular, de forma automática, una lista corta de candidatos a revisión taxonómica prioritaria. Eso no reemplaza el trabajo de describir formalmente una especie (para eso sigue haciendo falta exactamente el tipo de trabajo mostrado en el hallazgo de las once especies de Venezillo del Caribe colombiano, publicado esta misma semana), pero sí podría acortar la distancia entre "esto se ve raro" y "esto merece la atención de un especialista".

Qué sigue

Open-Insect es, por ahora, un banco de pruebas de investigación, no un producto ni un servicio desplegado. Su valor inmediato es metodológico: le da a cualquier equipo que trabaje con clasificación automática de fauna una forma estandarizada de medir si su modelo sabe reconocer sus propios límites, en vez de responder con la misma confianza a lo que conoce y a lo que nunca vio. En un continente donde la mayoría de la biodiversidad todavía no tiene nombre, esa distinción, entre "no lo reconozco" y "esto no es lo que crees que es", puede terminar pesando más que cualquier mejora marginal de precisión.