Para comprender el principio de JEPA, podemos tomar como ejemplo a una imagen con algunos huecos. En ese caso, la IA infiere la representación de las partes faltantes a partir del contexto visible. Con esto, las IAs podrían ser funcionales incluso en situaciones que el modelo desconoce.

De JEPA a los relojes y la predicción de enfermedades

El artículo detalla un enfoque que adapta los postulados de JEPA a una tarea específica. Tal como señalamos, para el examen se analizaron datos de 3 millones de usuarios de relojes inteligentes de Apple. Cabe recordar que los smartwatches de esa marca incluyen funciones que monitorean variables de salud, como la frecuencia cardíaca, la calidad del sueño, la actividad física, entre otras. En paralelo —y en línea con la idea de LeCun—, las mediciones de los relojes aparecen en forma inconsistente y con lagunas.

“Curiosamente, solo el 15% de los participantes había etiquetado sus historiales médicos para su evaluación, lo que significa que el 85% de los datos no habrían sido utilizables con los enfoques tradicionales de aprendizaje supervisado. En cambio, (este modelo) aprendió primero del conjunto de datos completo mediante un pre-entrenamiento autosupervisado y luego afinó el subconjunto etiquetado”, explicaron los científicos del MIT.

La investigación se basó en datos tomados por ejemplares de Apple Watch.

En las pruebas, el modelo que denominado JETS obtuvo una calificación del 86,8% para predecir hipertensión arterial, 81% para síndrome de fatiga crónica y 86,8% en casos de disfunción del nódulo sinusal.

“En resumen, este estudio presenta un enfoque interesante para maximizar la información y el potencial de salvar vidas con datos que podrían considerarse incompletos o irregulares”, concluye la fuente.