Desenvolupar un model fiable de visió per computador ha estat un procés complex que ha requerit la combinació de diverses tècniques. Inicialment, es van provar mètodes clàssics basats en l’extracció manual de característiques (com descripció d’imatges i classificadors tradicionals), però aquests enfocaments sovint no eren prou precisos ni robustos davant la variabilitat de les dades.

La incorporació de l’aprenentatge automàtic, i especialment de l’aprenentatge profund (deep learning), va suposar un gran avenç. Les xarxes neuronals convolucionals (CNN) han permès als ordinadors “veure” i identificar patrons en imatges amb una fiabilitat molt superior a la d’abans, arribant fins i tot a superar el rendiment humà en algunes tasques específiques. No obstant això, aquests models funcionen sovint com a “caixes negres”: són molt potents, però costa entendre per què prenen certes decisions o què falla exactament quan s’equivoquen.

Per aconseguir un model realment fiable, es va optar per combinar diferents aproximacions: ajustar hiperparàmetres, provar diversos descriptors d’imatge i arquitectures, i utilitzar tècniques d’optimització avançades com l’optimització bayesiana. Això ha permès obtenir un sistema que, a més de ser precís, es pot auditar i millorar més fàcilment.

Finalment, la clau de l’èxit ha estat no confiar en una sola tècnica, sinó integrar diferents enfocaments i posar èmfasi tant en la fiabilitat com en la comprensibilitat del model, per tal d’assegurar resultats sòlids i transparents.