:quality(75))
IA: ¡Inteligencia real!
¿Son realmente precisos los modelos de IA? Descubra los retos de utilizar modelos predictivos de atención frente al Eye tracking para predecir la toma de decisiones humanas en el mundo real.
:quality(75))
La IA también necesita información sobre la persona que ocupa el centro de ese mundo.
¿En qué se fijan?
¿Qué se les ha pasado por alto?
¿Qué información les resulta relevante en un momento determinado?
¿Cómo cambia su atención a medida que interactúan con una tarea o un entorno?
Eye tracking puede aportar esta perspectiva humana a la información.
Al convertir los movimientos oculares en la dirección de la mirada y en parámetros de atención, eye tracking puede proporcionar datos que los modelos de IA pueden analizar para identificar patrones en la atención, el comportamiento y procesamiento cognitivo, lo que ayuda a los sistemas de IA a desarrollar una comprensión más profunda de cómo las personas interactúan con el mundo que les rodea.
Juntos, el eye tracking y la inteligencia artificial abren nuevas posibilidades para sistemas que van más allá de
percibir su entorno. También pueden tener en cuenta a la persona que se encuentra en ese entorno.
:quality(75))
Los sistemas de inteligencia artificial son cada vez más multimodales. En lugar de basarse en un único tipo de información, combinan datos como texto, voz, imágenes, vídeo, audio y datos de sensores para comprender situaciones más complejas.
Eye tracking aporta otro tipo de información: la atención visual.
Imaginemos unas gafas inteligentes equipadas con IA smart glasses. Las cámaras pueden ayudar al sistema a reconocer objetos, personas y texto en el campo de visión de quien las lleva puestas. Un micrófono puede captar una pregunta formulada oralmente. Otros sensores pueden proporcionar información sobre el movimiento y el entorno circundante.
"¿Me puedes dar más detalles sobre esto?»
Pueden verse varios objetos a la vez. Saber hacia dónde mira el usuario puede proporcionar una señal adicional que ayude al sistema a determinar a qué se refiere«esto».
Sin embargo, su valor va más allá de un simple punto de observación.
Los movimientos oculares cambian cuando buscamos información, leemos, realizamos tareas, reaccionamos ante Eventos o desviamos nuestra atención. Eye tracking permite medir estos patrones, generando datos que pueden complementar el resto de la información de la que dispone un sistema de inteligencia artificial.
Eye tracking mide señales como la posición de la mirada, las fijaciones y las sacadas, parpadeos y los cambios en tamaño de la pupila.
Estas mediciones no nos indican automáticamente qué está pensando una persona o por qué mira algo. Su significado depende de la persona, la tarea y el entorno. Ese contexto es importante.
Una mirada hacia un objeto puede indicar interés o formar parte de una búsqueda visual, y un cambio en el comportamiento de la mirada puede resultar significativo si se analiza en el contexto de una tarea. Todo depende de la situación.
Es aquí donde la IA multimodal cobra especial relevancia.
El procesamiento del lenguaje puede proporcionar información sobre lo que dice una persona. La visión artificial puede proporcionar información sobre lo que hay en el entorno. Eye tracking puede proporcionar información sobre cómo la persona interactúa visualmente con él. Otros sensores pueden aportar información adicional sobre el movimiento, el comportamiento o la situación del entorno.
En conjunto, estas señales pueden ayudar a los sistemas de IA a interpretar el contexto de forma más eficaz y, en algunas aplicaciones, contribuir a comprender mejor qué puede ser relevante para el usuario o qué pretende hacer a continuación.
:quality(75))
La relación entre el eye tracking y la inteligencia artificial funciona en más de un sentido.
En algunas aplicaciones, el eye tracking se convierte en otra fuente de datos en tiempo real para un sistema de inteligencia artificial.
Saber hacia dónde dirige alguien su atención puede ayudar a reducir la ambigüedad y proporcionar información sobre qué partes de un entorno son relevantes en ese momento.
Esto puede resultar útil cuando la IA tiene que interactuar con una persona, responder a situaciones cambiantes o interpretar varias señales al mismo tiempo.
En otras aplicaciones, son los propios datos de eye tracking los que analiza la IA.
Los movimientos oculares generan datos complejos y continuos. Los modelos de aprendizaje automático pueden identificar patrones en grandes conjuntos de datos que serían difíciles de detectar manualmente.
Esto permite convertir los datos de eye tracking en información útil sobre cómo leen las personas, cómo aprenden, cómo realizan tareas, cómo interactúan con los productos o cómo reaccionan ante distintos entornos.
Estos dos enfoques abren un amplio abanico de aplicaciones.
Smart glasses ilustran por qué el contexto humano es importante.
Una cámara puede identificar lo que hay en el campo de visión de la persona que lleva el dispositivo. Eye tracking puede aportar información sobre la parte en la que se centra su atención en ese momento.
Si se combina con el habla y otra información contextual, la información sobre la atención puede ayudar a un asistente de IA a interpretar las solicitudes con menos datos explícitos por parte del usuario.
Por ejemplo, el seguimiento de la mirada podría ayudar a aclarar qué producto le interesa conocer a una persona, qué fragmento de texto quiere traducir o qué objeto es relevante para su comando.
Eye tracking, por sí solo, no ofrece una visión completa. Aporta otra señal que puede ayudar a un sistema de inteligencia artificial a interpretar la situación.
Eye tracking ya se utiliza ampliamente en la realidad virtual y la realidad mixta.
Admite la interacción basada en la mirada, el renderizado foveado, el entrenamiento, la evaluación y el análisis del comportamiento del usuario.
Cuando se combinan con la inteligencia artificial, los datos sobre la mirada pueden contribuir a la creación de sistemas que se adapten a lo que una persona está haciendo en un entorno inmersivo.
Una aplicación podría utilizar la mirada junto con los movimientos de las manos, el habla u otros comportamientos para comprender cómo avanza una persona en la realización de una tarea. Los sistemas de formación podrían utilizar los patrones de atención visual como una de las diversas señales para identificar el nivel de competencia de principiantes y expertos, y para medir el progreso durante el desarrollo de habilidades.
En este contexto, el eye tracking ayuda a obtener una visión más completa del comportamiento de los usuarios en el entorno digital.
:quality(75))
Para los robots y las máquinas inteligentes que trabajan junto a las personas, comprender la atención humana también puede aportar un contexto esencial.
La colaboración humana a menudo se basa en señales que nunca se expresan de forma explícita. Nos fijamos en hacia dónde mira alguien, hacia dónde extiende la mano o en qué centra su atención.
Los robots no tienen acceso de forma natural a estas señales.
Eye tracking aporta información sobre la atención visual que, junto con la visión artificial y otros sensores, puede ayudar a un sistema a comprender qué objetos o áreas son relevantes en cada momento y cuál puede ser la intención de la persona mientras realizan tareas conjuntamente.
Esto puede favorecer una interacción más segura y coordinada entre las personas y las máquinas sin que sea necesario que cada acción comience con un comando explícito, ni que cada operación esté estrictamente programada.
Algunas de las oportunidades más importantes para eye tracking y la IA tienen poco que ver con el control de un dispositivo.
En cambio, la inteligencia artificial puede ayudar a extraer patrones significativos a partir de los datos de eye tracking.
:quality(75))
Los movimientos oculares pueden proporcionar información detallada sobre cómo lee y procesa una persona el material escrito.
El aprendizaje automático puede analizar estos movimientos oculares para detectar patrones en grandes conjuntos de datos, lo que ayuda a los desarrolladores a crear herramientas para la evaluación de la lectura y un apoyo al aprendizaje más personalizado.
Cliente de Tobii Lexplore, por ejemplo, combina un Eye tracker Tobii Pro Fusion con el aprendizaje automático para analizar los movimientos oculares de los alumnos mientras leen y traducir esos patrones en información sobre su capacidad lectora.
Los movimientos oculares pueden contener información relacionada con procesos neurológicos y cognitivos.
Una revisión sistemática de 2025 en Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring analizó 71 estudios que utilizaban el eye tracking en la enfermedad de Alzheimer, el deterioro cognitivo leve y otras demencias relacionadas. Seis de los estudios incluidos utilizaron medidas de eye tracking para desarrollar modelos de aprendizaje automático que diferenciaban a los grupos de pacientes de los controles sanos. Los modelos se basaban en características de tareas como la búsqueda visual, la observación libre y las tareas sacádicas.
En estas aplicaciones, la inteligencia artificial no se utiliza para deducir la intención de una persona con solo una mirada. En cambio, el aprendizaje automático identifica patrones en datos complejos de eye tracking que pueden resultar difíciles de detectar únicamente mediante un análisis manual.
Los modelos de IA dependen de la calidad de la información que reciben.
Cuando los datos de eye tracking se convierten en uno de esos datos de entrada, la calidad de la medición también es importante.
Los datos precisos y fiables sobre la mirada proporcionan una base más sólida para identificar patrones, comparar comportamientos y desarrollar sistemas que deban responder a lo que está haciendo una persona.
El contexto en el que se recogen los datos también es importante.
Los movimientos oculares dependen de factores como la tarea, el entorno, la persona y el dispositivo que se utilice. Un comportamiento similar de la mirada puede tener significados distintos en un aula, en un vehículo en movimiento, en un entorno de formación virtual o en una evaluación clínica.
Por eso, el eye tracking resulta más eficaz cuando se integra en una visión más amplia de la situación, en lugar de interpretarse de forma aislada.
:quality(75))
A medida que la inteligencia artificial se vaya incorporando a más dispositivos, productos y servicios, será cada vez más importante comprender cómo interactúan las personas con el mundo que les rodea.
El eye tracking puede aportar esa perspectiva al permitir medir la atención humana. Puede proporcionar contexto en el momento y revelar patrones en conjuntos de datos más amplios, lo que permite a los sistemas de IA y a las personas que los desarrollan acceder a información que, de otro modo, sería difícil de recabar.
Ese contexto adicional puede ayudar a crear sistemas de IA que tengan más en cuenta la forma en que las personas perciben, prestan atención e interactúan con el mundo que les rodea.
Ponte en contacto con nuestros expertos en ventas para descubrir cómo puedes utilizar el eye tracking para mejorar tu investigación, tu producto o tu formación.
:quality(75))
¿Son realmente precisos los modelos de IA? Descubra los retos de utilizar modelos predictivos de atención frente al Eye tracking para predecir la toma de decisiones humanas en el mundo real.
:quality(75))
Descubre cómo el eye tracking aporta datos sobre la atención humana a los vídeos en primera persona, lo que contribuye a enriquecer los datos de entrenamiento para los modelos del mundo, la robótica y la IA incorporada.
:quality(75))
La captura de datos humanos mediante eye tracking en la era de la IA es importante porque necesitamos profundizar en cómo alguien ve la realidad, cómo la crean sus mentes consciente e inconsciente.
:quality(75))
Durante más de 20 años, Tobii ha estado a la vanguardia de la innovación en Eye tracking. Nuestros esfuerzos en I+D han impulsado avances en aprendizaje automático, IA y sensores avanzados, creando productos que redefinen la forma en que entendemos el comportamiento humano.
:quality(75))
Esta guía muestra cómo el eye tracking ayuda a los equipos a comprender lo que notan los usuarios, cómo procesan la información y dónde aparece la incertidumbre en las experiencias de IA.