La caracterización no invasiva de materiales en obras de arte ha experimentado un avance significativo gracias a las técnicas de imagen espectroscópica. En particular, la microespectroscopía infrarroja por reflectancia total atenuada (ATR-μFTIR) se ha convertido en una herramienta indispensable para analizar cortes transversales de pinturas al óleo históricas. Cada píxel de la imagen captura un espectro completo, formando un hipercubo de datos que revela la composición molecular de las capas de pigmento, aglutinantes y productos de degradación. Sin embargo, la interpretación de estos datos supone un desafío considerable: las mezclas espectrales son habituales en muestras heterogéneas, multicapa y alteradas por el paso del tiempo, y el enfoque tradicional basado en la comparación manual con bibliotecas de referencia resulta lento, subjetivo y difícil de escalar.

Frente a esta limitación, la inteligencia artificial ofrece soluciones automatizadas y objetivas. Un enfoque innovador consiste en emplear autoencoders convolucionales no supervisados para el desmezclado ciego de imágenes hiperespectrales. Estos modelos aprenden a descomponer cada píxel en una combinación de espectros puros (endmembers) y sus mapas de abundancia, aprovechando la información espacial local mediante parches. La capacidad de manejar más de 1500 bandas espectrales y corregir artefactos atmosféricos o de adquisición mediante funciones de pérdida ponderadas —como la distancia angular espectral con pesos automáticos— mejora notablemente la interpretabilidad en regiones contaminadas. Este tipo de desarrollo, que integra inteligencia artificial para tareas altamente especializadas, forma parte de lo que hoy se conoce como ia para empresas aplicada a la conservación del patrimonio.

Para implementar estas soluciones a escala real, los laboratorios y museos requieren software a medida que pueda personalizarse según las necesidades específicas de cada proyecto. Una empresa como Q2BSTudio ofrece aplicaciones a medida capaces de integrar modelos de agentes IA para el análisis automatizado de datos hiperespectrales. Además, el volumen de información generado (a menudo terabytes por muestra) demanda una infraestructura robusta: los servicios cloud aws y azure permiten almacenar, procesar y compartir estos conjuntos de datos sin limitaciones locales. Una vez extraídos los mapas de abundancia, herramientas de servicios inteligencia de negocio como power bi facilitan la visualización interactiva de la distribución de materiales en las capas de pintura, ayudando a los restauradores a tomar decisiones fundamentadas.

El desmezclado de imágenes ATR-μFTIR en cortes de pinturas al óleo históricas representa un caso paradigmático de cómo la tecnología de vanguardia puede transformar disciplinas tradicionales. Al combinar algoritmos de aprendizaje profundo con infraestructura en la nube y análisis de negocio, se acelera el proceso de investigación y se reduce la subjetividad. Proyectos como el estudio de la capa pictórica del retablo de Gante de los hermanos Van Eyck demuestran que el análisis no supervisado, potenciado por inteligencia artificial, puede revelar detalles ocultos sobre la técnica de los maestros flamencos. La colaboración entre conservadores y desarrolladores de software, como la que promueve Q2BSTudio, es clave para trasladar estos avances del laboratorio al ámbito profesional de manera eficiente y segura.