·
·
Sunday, 4 October 2026dailybeirut.com
IA
Nuevos modelos de inteligencia artificial analizan imágenes, sonido y señales electromagnéticas para distinguir el oro auténtico del falsificado con alta precisión.
La identificación de metales preciosos ya no depende exclusivamente de la experiencia artesanal o los métodos convencionales. La incorporación de la inteligencia artificial en la inspección de joyas permite examinar fotografías de piezas, estudiar las vibraciones acústicas que emiten e interpretar datos generados por sistemas de prueba no destructivos. Estos avances facilitan la detección de discrepancias sutiles que resultan imperceptibles para la observación humana directa.
Investigaciones recientes sugieren un potencial prometedor para estas herramientas automatizadas. Modelos basados en aprendizaje profundo han logrado diferenciar entre oro genuino y imitaciones utilizando capturas realizadas con teléfonos móviles. Paralelamente, otros estudios demuestran la viabilidad de aplicar machine learning para evaluar la pureza a través de la firma sonora de cada objeto, lo cual abre la puerta a procedimientos más económicos y ágiles.
Un trabajo publicado en la revista Algorithms durante 2026 presentó GoldFormer, una solución diseñada para clasificar piezas según su autenticidad mediante imágenes. Los autores abordaron así uno de los desafíos más complejos de la visión computarizada: distinguir objetos con apariencias casi idénticas. Para ello, crearon la base de datos GoldNet, compuesta por 2127 fotografías reales de joyas originales y falsificadas. Estas imágenes se tomaron con smartphones bajo diversas condiciones lumínicas —natural, interior y baja— y desde múltiples ángulos, distancias y fondos, sin requerir equipamiento fotográfico profesional.
El funcionamiento del sistema se centra en la extracción de microdetalles como la textura superficial, los grabados, el tono cromático y la geometría general. Aunque estas características pueden parecer similares a simple vista, las redes neuronales identifican patrones ocultos. En pruebas de validación cruzada con cinco grupos, GoldFormer alcanzó una exactitud del 95.02%, superando el 89.8% obtenido por expertos humanos y otros modelos visuales comparables. No obstante, este resultado no implica que cualquier foto permita dictaminar el quilataje final; el estudio solo valida la clasificación binaria (auténtico/falso), sin determinar la composición química interna.
La experimentación trasciende lo visual. Un artículo aparecido en Applied Acoustics en 2025 exploró el uso del sonido para estimar la calidad del oro. El equipo científico procesó grabaciones de muestras variadas, extrayendo rasgos denominados MFCC delta-delta. Emplearon diez algoritmos de aprendizaje automático, incluyendo máquinas de vectores de soporte, bosques aleatorios y XGBoost, para categorizar los ejemplares por grado de pureza.
El modelo SVM destacó con una precisión del 94.58% en las categorías analizadas: 14, 22 y 24 quilates. La regresión logística logró un 93.75%. La premisa subyacente es que propiedades físicas como densidad, elasticidad y estructura interna modifican la respuesta acústica, generando información interpretable por los ordenadores. Los investigadores consideran que esta vía podría convertirse en un método rápido e inofensivo, evitando los tiempos prolongados, el costo de equipos especializados o el daño a las muestras propios de los test tradicionales, aunque otras técnicas como los rayos X ya permiten analizar superficies sin destruir el material.
Una línea de investigación más sofisticada combina la IA con el ensayo de corrientes de Foucault pulsadas (PECT). Esta tecnología no invasiva capta señales vinculadas a las propiedades materiales. Científicos desarrollaron la red neuronal AC-RSN para procesar datos obtenidos de muestras con distintos espesores y niveles de pureza, tras recopilar 14,400 registros experimentales. El sistema clasificó la calidad del metal con una exactitud del 99.27%.
Además, la arquitectura neural minimizó el ruido y las variaciones causadas por la temperatura del sensor, optimizando la representación de las señales. Aquí, la función de la inteligencia artificial difiere de la mera fotografía: actúa como analizador de datos procedentes de instrumentos técnicos específicos. Esto sugiere que el futuro reside en la integración de hardware de medición con software predictivo, más que en el uso aislado de algoritmos.
A pesar de los logros numéricos, la capacidad autónoma de la IA para detectar fraudes sigue siendo parcial. Las evidencias confirman que estos sistemas reconocen patrones útiles para separar lo real de lo falso, ya sea vía imagen, audio o señales electromagnéticas. Sin embargo, un usuario no puede fiarse únicamente de una captura móvil o una grabación para verificar el quilataje antes de pagar. La autenticidad y la proporción exacta de oro son conceptos distintos; un algoritmo puede identificar una pieza como diferente de las falsificaciones entrenadas, pero requiere instrumentos adecuados para precisar su composición química.
Por tanto, la aplicación más realista hoy consiste en utilizar la inteligencia artificial como asistente inteligente en los procesos de verificación. Analiza grandes volúmenes de datos y descubre regularidades difíciles para el humano, mientras que los equipos de laboratorio y análisis especializado continúan siendo la referencia principal para confirmar la estructura y pureza definitiva.
