Capítulo 11 de la serie Sprint DGX. Qué significa que un modelo sea multimodal de verdad, y por qué que razone nativo en castellano no es un adorno.
Hay un pequeño truco que conviene conocer antes de fiarse de cualquier «IA que analiza radiografías». Muchas, por dentro, no miran la imagen: un sistema la describe en texto, «se observa una zona radiolúcida en el cuadrante inferior derecho», y un modelo de lenguaje razona sobre esa descripción. Funciona… hasta que el matiz que importa es justo el que el intermediario no supo poner en palabras.
El modelo de visión dental que entrenamos este trimestre no trabaja así: mira los píxeles de la radiografía directamente, en el mismo paso en el que razona. Y lo hace con la misma soltura en español que en inglés, algo que, créenos, tampoco es tan común como parece.
Mirar la imagen, no su resumen
«Multimodal de verdad» significa que el modelo recibe la imagen y el texto a la vez y los entiende en el mismo espacio, sin un traductor de por medio que convierta la radiografía en una frase. La diferencia no es académica. Un borde sutil en una lesión, una asimetría, una textura que no encaja: son justo el tipo de señal que un detector de texto intermedio no llega a verbalizar, y que un modelo que mira de verdad sí puede tener en cuenta.
En clínica, eso es la diferencia entre una herramienta que te ayuda a no pasar nada por alto y otra que solo te repite, con otras palabras, lo que ya se había decidido en un paso anterior.
Cómo se le enseña a ver dientes
No es un único entrenamiento, sino varias capas que se construyen una sobre otra. Primero, vocabulario clínico: que el modelo sepa de verdad qué es una caries interproximal, una corona, una reabsorción. Después, asociar esos conceptos a lo que se ve en la imagen. Y por último, resolver tareas clínicas completas: mirar una radiografía y responder. Cada etapa apoya a la siguiente.
El resultado, medido sobre un examen público de conocimiento dental, es claro: el modelo especializado mejora de forma notable sobre el modelo de partida y se coloca entre los mejores de su categoría de tamaño.
Razonar en tu idioma no es lo mismo que traducir
Muchos modelos «hablan español», pero por dentro traducen tu pregunta al inglés, razonan en inglés y traducen la respuesta de vuelta. En el camino se pierde matiz, y a veces precisión.
Quisimos asegurarnos de que el nuestro razona nativo en ambos idiomas, no de oídas. Así que construimos nuestras propias pruebas, con preguntas clínicas equivalentes en español y en inglés, y medimos si la calidad caía al cambiar de idioma. No cayó: paridad real. Y el salto del modelo especializado sobre la base, en español, fue grande: +7,13 puntos porcentuales en el examen público de conocimiento dental.
Para una clínica que trabaja en castellano, «funciona igual de bien en mi idioma» no es un extra simpático. Es la condición para confiar.
Por qué lo hicimos así
En la consulta, «ver de verdad» y «entender de verdad en tu idioma» no son lujos técnicos: son la línea que separa una herramienta en la que te apoyas de una que tienes que estar revisando. Por eso lo construimos de esta forma, y por eso lo medimos en lugar de darlo por hecho.
¿Qué tipos de imagen entiende? Panorámicas, periapicales y fotografías intraorales.
¿De verdad razona nativo en español? Sí, y lo verificamos con pruebas propias: la calidad no cae respecto al inglés.
¿Tengo que mandar las imágenes a la nube? No: está pensado para correr dentro de la clínica, sobre una NVIDIA DGX Spark, de modo que ni una imagen salga del edificio.
Próximo capítulo: no partíamos de cero. Cómo este modelo se entrena para encajar en un producto dental que ya está en producción, no para una demo.
