¿Qué es el Deep Learning?
El aprendizaje profundo (Deep Learning) es un tipo de aprendizaje automático (machine learning) e inteligencia artificial (IA) que imita la forma en que los humanos obtienen ciertos tipos de conocimiento. Es un elemento importante de la ciencia de datos, que incluye estadísticas y modelos predictivos, por ende, es extremadamente beneficioso para los científicos de datos que tienen la tarea de recopilar, analizar e interpretar grandes cantidades de información; propiciando que este proceso sea más rápido y sencillo.
En su libro Aprendizaje Profundo (Deep Learning) (2021), Gonzalo Pajares Martinsanz et al desarrollan el funcionamiento de este, aseverando que los algoritmos de deep learning se aplican a redes neuronales artificiales estructuradas en forma de capas: input layer (entrada), hidden layer (oculta) y output layer (salida).
Los datos entran por la primera capa, en la que hay varias neuronas artificiales que se activan o no dependiendo de los datos. Para lograr un nivel aceptable de precisión, los programas de aprendizaje profundo requieren acceso a inmensas cantidades de datos de entrenamiento y potencia de procesamiento, ninguno de los cuales estaba fácilmente disponible para los programadores hasta la era del big data y la computación en la nube.
Debido a que la programación del aprendizaje profundo puede crear modelos estadísticos complejos directamente a partir de su propia salida iterativa, también puede generar modelos predictivos precisos a partir de grandes cantidades de datos no estructurados y sin etiquetar.
Rudolph Russell (2018), en su libro Deep Learning. Fundamentos del Aprendizaje Profundo para Principiantes, afirma que el proceso mencionado anteriormente es importante, ya que el internet de las cosas (IoT) continúa volviéndose más omnipresente porque la mayoría de los datos que crean los humanos y las máquinas no se encuentran estructurados ni etiquetados.
Cabe señalar que se pueden utilizar varios métodos para crear modelos sólidos de aprendizaje profundo. Estas técnicas incluyen la disminución de la tasa de aprendizaje, el aprendizaje por transferencia, la formación desde cero y la deserción. Jordi Casas Roma et al, en su obra Deep Learning. Principios y fundamentos (2020) las describe, enunciando sus características:
Decadencia de la tasa de aprendizaje: La tasa de aprendizaje es un hiper parámetro (es decir, un factor que define el sistema o establece las condiciones para su funcionamiento antes del proceso de aprendizaje) que controla cuánto cambio experimenta el modelo en respuesta al error estimado cada vez que se modifican los pesos de este. Las tasas de aprendizaje que son demasiado altas pueden resultar en procesos de entrenamiento inestables o en el aprendizaje de un conjunto de pesos subóptimo. Las tasas de aprendizaje que son demasiado pequeñas pueden producir un proceso de capacitación prolongado que tiene el potencial de atascarse.
El método de disminución de la tasa de aprendizaje (también denominado recocido de la tasa de aprendizaje o tasas de aprendizaje adaptativas) es el proceso de adaptación de la tasa de aprendizaje para aumentar el rendimiento y reducir el tiempo de capacitación.
Transferencia de aprendizaje: Este procedimiento implica perfeccionar un modelo previamente entrenado y requiere una interfaz para el interior de una red preexistente. Primeramente, los usuarios alimentan dicha red con nuevos datos que contienen clasificaciones desconocidas. Una vez que se llevan a cabo los ajustes requeridos en la red, se pueden desarrollar nuevas tareas con capacidades de categorización más específicas. Este método tiene la ventaja de requerir una menor cantidad de datos que otros, reduciendo así el tiempo de cálculo a minutos u horas.
Entrenamiento desde cero: Este proceso implica que un desarrollador recopile un gran conjunto de datos etiquetados y configure una arquitectura de red que pueda aprender las características y el modelo. Esta técnica es especialmente útil para aplicaciones nuevas, como así también para aplicaciones con una gran cantidad de categorías de salida. Sin embargo, en general, es un enfoque menos común, ya que requiere cantidades excesivas de datos, lo que genera que la capacitación demore días o semanas.
Deserción: Este método intenta resolver el problema del sobreajuste en redes con grandes cantidades de parámetros al soltar aleatoriamente unidades y sus conexiones de la red neuronal durante el entrenamiento. Se ha comprobado que el método de deserción puede optimizar el rendimiento de las redes neuronales en tareas de aprendizaje supervisado, en áreas como reconocimiento de voz, clasificación de documentos y biología computacional.
Ejemplos prácticos/ Avances científicos y tecnológicos
Actualmente, son múltiples las aplicaciones que poseen los algoritmos de Deep Learning, entre ellas podemos mencionar los siguientes ejemplificaciones:
Visión artificial
La visión artificial adquiere la capacidad de reconocer caracteres, imágenes, objetos e, incluso, rostros, y su impacto en la Industria 4.0 es importante. Betterview es una empresa que aplica la visión artificial al seguro de propiedad, utilizando datos geoespaciales, que pueden evaluar automáticamente de qué material está hecho un edificio, en qué condición se encuentra el techo, cuál es la superficie de este, cuántos escombros de jardín posee la propiedad, qué tan cerca está una estructura de la vegetación, y cientos de otros factores que determinan colectivamente el perfil de riesgo de la propiedad y el precio óptimo de la póliza de seguro.
Análisis predictivo
El análisis predictivo puede generar previsiones más precisas de los resultados de los negocios, las evoluciones de los mercados o las necesidades energéticas. Empresas que utilizan este tipo de método son: Shell, que emplea el análisis predictivo para anticipar fallos en las perforadoras de petróleo y gestión de inventario e IBM, que lo ejecuta para resolver problemas comerciales y de investigación.
Asistentes virtuales
Alexa, Cortana o Siri son asistentes que entienden y ejecutan los comandos de voz del usuario en lenguaje natural y son capaces de aprender con el tiempo.
Chatbots
Los chatbots se emplean en sistemas de asistencia al cliente para resolver problemas de los usuarios a través de un chat y también aprenden de forma progresiva. Un ejemplo de chatbot, es Gala, que pertenece al Banco Galicia.
Robótica
El aprendizaje profundo facilita que los robots realicen tareas similares a las humanas, incluso tomando decisiones en tiempo real. También pueden atender a su propio mantenimiento. Sophia y Ameca son dos ejemplos de ello.
Salud
A través del análisis de imágenes médicas, el aprendizaje profundo facilita la detección de enfermedades y el diagnóstico asistido por ordenador, incluso sin la intervención de personal. MONAI (Medical Open Network for AI) utiliza técnicas de Deep Learning e Inteligencia Artificial para detectar lesiones pulmonares en la segmentación de imágenes en 3D de las tomografías computarizadas de pacientes producidas por COVID.
Entretenimiento
Empresas de contenido en streaming, como Netflix, HBO o YouTube, proporcionan recomendaciones y subtítulos automáticos a sus usuarios.
Como se puede apreciar, el uso de Deep Learning gana cada vez más terreno en diversas áreas, lo cual implica una fuerte inversión. En este sentido, es pertinente mencionar que a nivel mundial, se manifiesta un paulatino incremento en la inversión de este tipo de tecnología en el mercado global.
Conclusión
En la actualidad es imprescindible que las empresas y las instituciones empleen el Deep Learning en sus procesos, ya que ello implicará una alta precisión en el procesamiento de datos y efectividad a la hora de implementar estrategias eficaces en determinadas actividades. El avance de la Inteligencia Artificial permite mejorar la calidad de vida de los seres humanos en diversas áreas (salud, educación, entretenimiento, trabajo, entre otras), lo cual implica seguir estableciendo un marco regulatorio ético a fin de que no se desvirtúen los beneficios que esta ofrece a la humanidad.
Aunque aún hay ciertos desafíos a considerar (sobre todo a nivel ético y moral), diversos organismos como la UNESCO y la ONU de la mano de diversos especialistas y referentes del sector trabajan a diario en pos de ofrecer soluciones que promuevan los Objetivos de Desarrollo Sostenible en miras de la Agenda 2030. En este contexto, el gran conocimiento humano se toma como la piedra angular para resolver las problemáticas emergentes vinculadas con la Inteligencia Artificial, ya que como afirmó Anais Nin: “La posesión del conocimiento no mata el sentido de la maravilla y el misterio. Siempre hay más misterio”.
Comentarios