Apprentissage en profondeur

El deep learning o aprendizaje profundo es una técnica de aprendizaje automático mediante el cual se le instruye a los ordenadores a completar tareas de igual forma que la mente humana. Es enseñar a las máquinas conocimientos a través de la experiencia, es decir, aprender a partir de ejemplos. 

Por ejemplo, el deep learning es una tecnología indispensable para los vehículos autónomos, ya que les permite reconocer una señal de tráfico o distinguir entre un peatón y una farola. En definitiva, se trata de alcanzar resultados a partir de conocimientos que antes la máquina no tenía.

Mediante el deep learning, un modelo computacional interioriza tareas de clasificación a partir de imágenes, texto o sonido, rozando una rigurosidad sin precedentes que supera en muchas ocasiones las capacidades humanas.

Para poder entrenar a una máquina empleando el deep learning se necesita una cantidad ingente de información etiquetada y validada, además de una GPU con una potencia excelente para poder reducir lo máximo posible el tiempo de aprendizaje de la máquina.

¿Cómo funciona el deep learning?

Los programas informáticos que emplean el deep learning aprenden de la misma manera que un bebé, por ejemplo, aprende a identificar un perro. Los algoritmos en la jerarquía implementan una transformación no linear de la información que reciben y parte de lo aprendido para crear un modelo estadístico como respuesta.

Así pues, solo hay que exponer al programa a muchos inputs hasta que alcance un nivel de exactitud impecable. La acción de proporcionar muchos inputs a un programa o máquina se denomina “iteración”, y es precisamente esta repetición por lo que llamamos a esta disciplina “profunda”.

La única limitación del deep learning es que realmente no puede realmente inventarse nada por sí mismo, sino que se basa totalmente en los datos y en su corrección. Por tanto, los outputs que aporte una máquina mediante el deep learning serán acertados en la medida en la que los inputs sean correctos y objetivos. A su vez, los outputs o predicciones que dé una máquina se circunscriben a los inputs que ha recibido sin ir más allá.

¿Cuál es la diferencia entre deep learning y machine learning?

Dans le cadre de la machine learning tradicional, el programador que aporta los inputs ha de ser específico en extremo y llevar al programa prácticamente de la mano para que pueda, por ejemplo, identificar un elemento como un perro en una imagen.

Por su parte, en el deep learning se le muestra al programa una cantidad inmensa de inputs desetiquetados y desestructurados que, a través de miles de iteraciones, procesará en cuestión de minutos para poder identificar y diferenciar las imágenes en las que sale un perro. 

Gracias a algunas innovaciones tecnológicas como el big data o el cloud computing, podemos recopilar los datos suficientes para crear la elevada cantidad de inputs necesarios para el deep learning.

Así pues, el deep learning et le machine learning se diferencian en que el deep learning necesita muchos más recursos que el machine learning, pero es más riguroso y rápido, además de no necesitar supervisión constante por parte de los programadores.

Ejemplos de deep learning

• Atención al cliente: En las páginas web se están entrenando chatbots a partir de peticiones y respuestas para mejorar la atención al cliente en calidad y rapidez.
• Generación de texto: Las máquinas y programas están aprendiendo cómo imitar la gramática, léxico y estilo de un texto para replicarlo en un texto totalmente original.
• Dominio militar: El deep learning se está empleando para detectar zonas seguras y no seguras.
• Diseño: Con el deep learning las fotos en blanco y negro pueden colorearse, algo que presuponía antes una ardua labor.
• Medicina: En oncología se está implementando el deep learning para diferenciar las células cancerosas de las no cancerosas.