La OMA define la inspección no intrusiva (INI) como las tecnologías de imágenes o detección que permiten inspeccionar la carga sin abrir los medios de transporte (como contenedores o paquetes), con lo que se pueden realizar controles rápidos de contenedores o vehículos. Se prevé que el volumen del comercio mundial alcance los 86 billones de dólares en 2035, por lo que el aumento en el uso de la NII se ha convertido en un pilar fundamental de las estrategias de lucha contra el fraude. El objetivo principal es mejorar los controles fronterizos, reduciendo al mismo tiempo la necesidad de llevar a cabo largos exámenes físicos, y apoyar a los agentes para que tomen decisiones fundamentadas.

Las administraciones aduaneras están familiarizadas con los sistemas de INI, en concreto los escáneres de rayos X de transmisión, los sistemas de imágenes de rayos gamma, los sistemas de rayos X de retrodispersión y los sistemas de rayos X de energía dual o multienergía. No obstante, sigue resultando difícil analizar las imágenes generadas por estos sistemas en un breve espacio de tiempo y con gran precisión, especialmente en los países con mucho volumen de comercio o en aquellos en los que hay que escanear todos los envíos. Para estar al día en cuanto a los avances tecnológicos y las amenazas emergentes es necesario que los agentes estén altamente cualificados y sigan una formación continua.

Sin embargo, la situación podría cambiar completamente con la aparición e integración de tecnologías como la IA para el reconocimiento de imágenes, los macrodatos, la computación en la nube, el aprendizaje automático y el análisis avanzado de datos. Hace ya varios años que los fabricantes y las administraciones aduaneras han estado desarrollando algoritmos con los que las máquinas pueden reconocer objetos, lo que se suele conocer como “ATR”, siglas en inglés que significan reconocimiento automático de amenazas o reconocimiento asistido de objetivos.

Los sistemas más avanzados pueden analizar imágenes de rayos X con una velocidad y precisión sin precedentes, detectando anomalías que podrían pasar desapercibidas incluso para el operador humano más experimentado. Estos sistemas aprenden continuamente, y crean enormes bibliotecas de patrones de amenazas, y además se adaptan a nuevos métodos de ocultación.

La Aduana de la India comenzó a trabajar en este campo en 2022, con un equipo formado por analistas de riesgos y desarrolladores integrado en el Centro Nacional de Aduanas (NCTC, por sus siglas en inglés), a fin de diseñar una solución de análisis de imágenes centralizada, automatizada, dinámica y que fuera independiente del proveedor. La solución aprovecha algoritmos avanzados de inteligencia artificial, y así analiza rápidamente imágenes de rayos X para identificar con precisión anomalías y elementos sospechosos.

Se han identificado algunos pasos de orientación para la integración de la IA en la INI. El primer paso es identificar las prioridades operativas de la administración aduanera, como, por ejemplo, detectar casos de declaraciones falsas, descubrir ocultaciones o identificar artículos restringidos, un objeto específico o una amenaza.

La siguiente etapa es una evaluación completa de la pila tecnológica existente, tanto en cuanto al software como al hardware. Es posible que sean necesarias mejoras tecnológicas y que se identifiquen enlaces que faltan entre diversos puntos nodales para la transmisión de datos.

A continuación, se lleva a cabo una investigación exhaustiva a fin de comprender los distintos modelos de inteligencia artificial que responden al objetivo y que podrían integrarse en los sistemas de INI utilizados. Por ejemplo, con un modelo de detección de heterogeneidad se puede ver si la imagen es homogénea o no basándose en la descripción de las mercancías declaradas; con un modelo de detección de objetos se identifica y se señala la ubicación de un objeto en el contenedor; y con un modelo de predicción del peso del contenedor se sugieren posibles variaciones de peso basándose en la densidad de las mercancías declaradas.

Una vez identificado el modelo adecuado, los dos siguientes pasos fundamentales son la recopilación y el aumento de los datos. Para recopilar los datos hay que obtener una serie de imágenes de rayos X de los objetos de interés. Las imágenes tienen rasgos identificables definidos dependiendo de su forma, textura, color o densidad. El proceso de aumento de datos consiste en mejorar la calidad de las imágenes mediante el uso de herramientas de corrección de imágenes y el etiquetado. El etiquetado de los objetos en las imágenes de entrenamiento es una etapa fundamental, ya que afecta directamente a la precisión predictiva del modelo.

Resulta difícil encontrar imágenes de algunos objetos de interés. Para resolver este problema se pueden utilizar las técnicas de generación de datos sintéticos, especialmente la imagen de amenaza, un programa de software que inserta imágenes ficticias (pero realistas) de elementos de amenaza reales en las imágenes de elementos reales que se examinan mediante sistemas de rayos X.

La estandarización de los formatos de imagen es fundamental para garantizar la interoperabilidad, la integración de sistemas a través de las fronteras y la uniformidad del material de entrenamiento para los modelos de IA. Un avance significativo a nivel mundial en este contexto ha sido el Formato de Archivo Unificado (UFF 2.0, por sus siglas en inglés) de la OMA, que proporciona un formato de datos estandarizado y público diseñado para imágenes y datos generados por escáneres de alta energía.

La recopilación y el aumento de datos sólidos sientan las bases para el entrenamiento, la optimización y la validación de los modelos. Los algoritmos de optimización ayudan a las redes neuronales a aprender más rápido y converger mejor. Si se usan optimizadores avanzados, como el optimizador Adam, y se ajustan las profundidades de la red y se usan redes conjuntas, se puede mejorar la eficacia del entrenamiento y conseguir el máximo rendimiento.

Una vez que el modelo se ha entrenado y se ha probado adecuadamente en lo que respecta a sus parámetros operativos, se puede implementar junto con un sistema de apoyo integral. El factor de la participación humana (human-in-the-loop), que en este caso son los analistas de imágenes de campo, desempeña un papel fundamental en los mecanismos de supervisión del rendimiento y de retroalimentación. El modelo de IA implementado requiere evaluaciones de rendimiento, actualizaciones y entrenamiento de manera periódica para mantener un rendimiento óptimo. Además, con la introducción de técnicas de refuerzo también se puede implementar una función autoadaptativa dentro del modelo de IA a fin de integrar un bucle de retroalimentación en tiempo real junto con parámetros autoadaptativos visibles.

Para implementar dichos modelos, también hay que realizar actualizaciones con regularidad y crear bibliotecas. A medida que se amplía el alcance de la INI en lo que respecta a la identificación de nuevas clases de objetos, se produce la necesidad inmediata de actualizar el entrenamiento del modelo y medir su rendimiento teniendo en cuenta las nuevas incorporaciones.

La integración de la INI mediante la IA abre un amplio espectro de capacidades y funcionalidades con respecto a su aplicación práctica. Cada modelo tiene sus rasgos y características únicos, definidos por los objetivos de la administración aduanera. Dependiendo de la capacidad de los escáneres y del total de los flujos comerciales, la administración aduanera tiene que decidir si es necesario escanear toda la carga o si se requiere un nivel de riesgo para seleccionar solo la carga de alto riesgo.

La India utiliza una selección de carga basada en el riesgo, según la cual solo los envíos seleccionados se marcan para ser escaneados. A fin de escanear la carga, el NCTC desarrolla parámetros de selectividad basados en el riesgo de forma centralizada.[1]

La solución de análisis de imágenes de rayos X aprovecha los algoritmos avanzados de la IA, y está diseñada para analizar rápidamente las imágenes de rayos X y automatizar el proceso de detección de contrabando, ocultación y declaraciones de carga falsas en las imágenes. Esta solución de IA ha sido desarrollada íntegramente de forma interna a fin de abordar los riesgos específicos del contexto indio de la manera más eficaz posible. Los modelos de IA de código abierto para la clasificación de productos, la detección de heterogeneidad, la detección de objetos y la predicción del peso de los contenedores se entrenan para proporcionar información automatizada sobre los riesgos basándose en las imágenes.

El modelo de clasificación de productos analiza la imagen, identifica los productos y propone varias opciones para su clasificación dentro de la nomenclatura de mercancías de la India. El modelo de detección de objetos va un paso más allá del modelo de clasificación de productos, ya que no solo identifica los objetos que hay en el contenedor, sino que también señala con precisión su ubicación exacta. Para ello, se utiliza el algoritmo de aprendizaje profundo de código abierto YOLOv7, conocido por sus capacidades de procesamiento en tiempo real y su alta precisión en la identificación y localización de objetos dentro de contenedores de carga. El modelo admite un conjunto cada vez mayor de clases de objetos, haciendo que las capacidades de detección mejoren continuamente.

Los principales retos surgidos durante el desarrollo, la integración y la implementación de estos modelos son la falta de disponibilidad de datos, el coste de la pila tecnológica, la alineación de los modelos con los sistemas existentes para garantizar la compatibilidad de las entradas y salidas, y el entrenamiento tanto de los modelos como del personal.

La Aduana de la India abordó estos retos con una colaboración eficaz. Los encargados de desarrollar los modelos y proporcionar los datos necesarios para su entrenamiento fueron varios departamentos dependientes de la Junta Central de Impuestos Indirectos y Aduanas, como el Centro Nacional de Selección Aduanero, la Dirección General de Sistemas y Gestión de Datos, el Departamento de Logística y los proveedores técnicos. Gracias a este enfoque se pudieron clasificar los retos y se resolvieron de forma rápida y eficaz. En estos momentos se está trabajando en la implementación del UFF en equipos de INI, ya que, por el momento, las imágenes generadas por los sistemas de escaneo de contenedores se comparten y procesan en otros formatos.

También se la da la máxima importancia a mantener un contacto regular con los agentes sobre el terreno para la retroalimentación y la medición del rendimiento de los modelos, ya que esto contribuye a infundir confianza entre ellos y, al mismo tiempo, mejora el rendimiento de los modelos.

La integración de la inteligencia artificial en los sistemas de inspección no intrusivos supone un avance significativo en la gestión de los riesgos aduaneros. Los agentes analizan las imágenes basándose en su propia experiencia, y al mismo tiempo reciben los resultados de los modelos basados en inteligencia artificial. A continuación, deciden si la imagen es “sospechosa” o “no sospechosa”.

Los indicadores claves de rendimiento muestran que la precisión de la detección ha mejorado. El aumento de la tasa de aciertos, medida como la proporción de predicciones del modelo de IA que conducen al descubrimiento de irregularidades, no solo ha ayudado a luchar contra el contrabando en las fronteras, sino que también ha optimizado la eficiencia operativa de los funcionarios de aduanas, ha reducido el tiempo de parada y ha mejorado la selección basada en el riesgo. Algunos de los objetos más llamativos que se han detectado en los puertos marítimos de la India son: petardos en envíos declarados como artículos diversos, productos cosméticos encontrados entre prendas de vestir y cigarrillos ocultos en cargamentos declarados como ambientadores.

A medida que evoluciona la tecnología, tanto el perfeccionamiento continuo como el aprendizaje adaptativo y las inversiones estratégicas son fundamentales para aprovechar todo el potencial de los sistemas de INI basados en la IA. La Aduana de la India mantiene el compromiso de compartir su experiencia con otras autoridades aduaneras y estará encantada de colaborar aún más con las administraciones interesadas.

Más información
hrishikesh.utpat@gov.in
shivam.dhamanikar@gov.in
sruti.vijayakumar@gov.in

[1] https://www.cii.in/International_ResearchPDF/Trade%20Facilitation%20Report_June%202023.pdf