¿Conoces qué es el Deep Learning?
En plena era de la IA (Inteligencia Artificial) y con una demanda que cada vez, va en aumento por sacar provecho a la gran cantidad de información de la que disponen las organizaciones tanto públicas como privadas, la Inteligencia Artificial (IA) ha dejado de ser una fantasía para convertirse en una realidad. Y es ahí, de donde la deep learning, va ligado.
El Deep Learning supone la base tecnológica de distintas funcionalidades de varios productos de Google, y de otras grandes empresas tecnológicas. Pero ¿Qué es el Deep Learning y en qué puede aplicarse?
En los últimos años, un nuevo léxico relacionado con la aparición de la inteligencia artificial en nuestra sociedad ha inundado los artículos científicos, y a veces es difícil entender de qué se trata. Cuando hablamos de inteligencia artificial, muy a menudo nos referimos a tecnologías asociadas como el aprendizaje automático o el aprendizaje profundo.
El Deep learning es una de las principales tecnologías del aprendizaje automático. Con el Deep Learning, hablamos de algoritmos que son capaces de imitar las acciones del cerebro humano mediante redes neuronales artificiales. Las redes se componen de docenas o incluso cientos de «capas» de neuronas, cada una de las cuales recibe e interpreta información de la capa anterior.
Machine Learning
El Machine learning es un conjunto de técnicas que dan a las máquinas la capacidad de aprender, a diferencia de la programación, que consiste en la ejecución de reglas predeterminadas.
Aunque los términos se utilizan a veces como sinónimos, el Deep Learning y el Machine Learning no son lo mismo, siendo el primero un tipo particular del segundo, es decir, el Deep Learning es Machine Learning, pero existen técnicas de Machine Learning que no son Deep Learning.
El Machine Learning, como se ha visto, se describe a menudo como un tipo de técnicas de Inteligencia Artificial donde las computadoras aprenden a hacer algo sin ser programadas para ello.
El Machine Learning o aprendizaje automático se ocupa de un aspecto de la IA: dado un problema de IA que se puede describir en términos discretos (por ejemplo, dado un conjunto de posibles acciones para un determinado objetivo, cuál es la correcta), y disponiéndose de una gran cantidad de información sobre el mundo, se determina cual es la acción "correcta", sin que el mecanismo de elección se encuentre previamente programado. Es decir, el sistema aprende de forma autónoma a tomar las decisiones. De forma práctica esto se traduce en una función en la que a partir de una entrada se obtiene una salida, con lo que el problema radica en construir un modelo de esta función matemática de forma automática. Por lo tanto, la principal diferencia radica en que un programa muy inteligente que tiene un comportamiento similar al humano puede ser IA, pero a menos que sus parámetros se aprendan automáticamente a partir de los datos, no es Machine Learning.
¿Para qué se utiliza el Deep Learning?
Los modelos de aprendizaje profundo tienden a funcionar bien con grandes cantidades de datos, mientras que los modelos de aprendizaje automático más tradicionales dejan de mejorar después de un punto de saturación
A lo largo de los años, con la aparición del big data y de componentes informáticos cada vez más potentes, los algoritmos de aprendizaje profundo que requieren mucha potencia y datos han superado a la mayoría de los demás métodos.
Diferencias reales entre Inteligencia Artificial, Machine Learning y Deep Learning.
La Inteligencia Artificial (IA) es un subcampo de la informática que se creó en la década de 1960, y que trata de solucionar tareas que son sencillas para los seres humanos, pero difíciles para las computadoras. Se trata de un concepto bastante genérico e incluye todo tipo de tareas tales como la planificación, el reconocimiento de objetos y sonidos, hablar, traducir, realizar actividades creativas (como por ejemplo crear obras de arte, o la poesía), etc.
También es gracias al deep learning que el modelo Alpha Go de Google consiguió vencer a los mejores campeones de Go en 2016. El propio motor de búsqueda del gigante estadounidense se basa cada vez más en el aprendizaje profundo y no en reglas escritas.
Hoy en día, el aprendizaje profundo es incluso capaz de «crear» cuadros por sí mismo. Esto se llama Transferencia de Estilo. Si está interesado en este tema, pronto estará disponible en nuestro blog un artículo enteramente dedicado a él.
La revolución de la inteligencia artificial pretende facilitar la gestión de esta enorme cantidad de datos, utilizando tecnologías inteligentes como el aprendizaje profundo. Es esencial porque proporciona elementos para un mejor análisis de los datos.
En un caso práctico, el análisis de la IA facilita que una tienda online ofrezca productos interesantes a sus clientes, destaque sus preferencias y les dé una atención personalizada. El aprendizaje profundo automatiza lo que se conoce como análisis predictivo. Con el análisis predictivo, los clientes pueden recibir sugerencias a la hora de realizar una compra.
¿Por y para qué es útil el Deep Learning?
El Deep Learning ha llamado mucho la atención por su potencial utilidad en distintos tipos de aplicaciones en el “mundo real” (pueden aplicarse con éxito a grandes volúmenes de datos para el descubrimiento y aplicación de conocimiento, así como a la realización de predicciones a partir de él), principalmente debido a que obtiene tasas de éxito elevadas con entrenamiento “no supervisado”.
El descubrimiento y reconocimiento de patrones en el mundo que nos rodea es un factor fundamental en los progresos científicos y tecnológicos actuales
La tecnología deep learning es bastante complicada de entrenar, por lo que no siempre se va a poder usar. Hay empresas que te ofrecen dentro de sus paquetes servicios de Inteligencia Artificial (IA) dentro de los cuales se puede encontrar el deep learning. Por ejemplo, las plataformas como WordPress, Magento, Woocommerce o Shopify ofrecen plug-ins (a menudo de pago) con deep learning para una función concreta, como poder mostrarle al usuario productos que también podría interesarle.
Uno de los usos más esperados del deep learning son los coches autónomos, es decir, sin conductor. Todavía no existe ningún modelo que sea 100% autónomo, pero Tesla y Samsung están colaborando para crearlo. Un automóvil con deep learning recopilaría datos sobre su entorno con cámaras y otros sensores, y los interpretaría para decidir qué acciones tomar. Por tanto, al montarse el usuario en el coche, sólo tendría que decirle a dónde quiere ir y el coche comenzaría su camino yendo por el camino más corto en ese momento y, si hay algún incidente, por ejemplo, un parón repentino del coche que va delante, tomando la acción más segura.
Fuentes:
- F. Rosenblatt (1958), The perceptron: a probabilistic model for information storage and organization in the brain (http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.335.3398&rep=rep1&type=pdf)
- G. Cybenkot (1989), Approximation by Superpositions of a Sigmoidal Function (http://cognitivemedium.com/magic_paper/assets/Cybenko.pdf)