La rapidez e inmediatez con la que se generan datos en la sociedad actual ha creado entornos de big data a los que es preciso aplicar tecnologías capaces de organizarlos. En este objetivo, la Inteligencia Artificial ha sido de gran ayuda tanto a pequeñas como grandes organizaciones. Analizamos Deep learning vs machine learning: qué las diferencia. Ambos parecen estar vinculados, pero entre estos términos tienen características propias.
Antes de empezar a abordar estos conceptos de ‘aprendizaje profundo’, conviene tener en cuenta que ambos forman parte de las tecnologías que emplea la Inteligencia Artificial. En concreto, la Inteligencia Artificial Aplicada (Weak AI). Un campo en el que entran en juego los algoritmos y el aprendizaje supervisado.
Si hace seis décadas se luchaba por encontrar un software que hiciera a las máquinas tan inteligentes o más que la mente humana –en este caso estaríamos hablando de Inteligencia Artificial robusta (strong AI)–, ahora, aunque somos conscientes de que ese hito tardará mucho tiempo en llegar, se sigue trabajando en la línea de trabajo que persigue hacer más listas a las máquinas de una manera diferente: recurriendo a la Weak AI mencionada con anterioridad.
Es por esto que la Inteligencia Artificial Aplicada está dando mucho de qué hablar en los últimos años y cada vez se indaga más en sus mecanismos de innovación. Entre ellos, el machine learning, una práctica que emplea algoritmos para recorrer todos los registros de una base de datos –acción conocida como ‘parsear’ en su terminología informática–, entresacar patrones de conducta de ellos y, después, lograr resolver un problema o plantear una predicción sobre algo.
Un ejemplo muy sencillo de machine learning sería la categorización del correo electrónico entre el considerado como spam y el que no. A través del aprendizaje supervisado, las máquinas reconocen que determinadas direcciones de e-mail son molestas para el usuario –por ejemplo, las que incluyen detrás de la arroba el término @noreply.com– y las envían automáticamente a la carpeta de correo no deseado. Parece sencillo pero, detrás de esta acción cotidiana, se desarrolla en la sombra una gran cantidad de variables que los programadores han tenido que perfeccionar para ser lo más precisos posible en la tarea.
En el machine learning hay que guiar a la máquina en cada una de las fases del proceso para que aprenda, a través de la práctica, a identificar lo que queremos de manera automática
Dando un paso más hacia delante se encuentra el deep learning o ‘aprendizaje profundo’, un concepto englobado dentro del machine learning que trabaja de manera diferente. En esta ocasión, en lugar de programar a la máquina para que siga unas determinadas reglas y así solucionar un problema, el propio algoritmo de la máquina es el que debe identificar patrones o anomalías para crear un modelo.
El ejemplo clásico que se suele poner para explicar el deep learning es su comparación con una simulación de redes neuronales artificiales. Si un cerebro humano funciona a través de la conexión entre neuronas en distintas capas –una capa se encarga de reconocer los olores, otra los sabores, otra los colores, etc.–, para desarrollar el ‘aprendizaje profundo’ los programadores habrán tenido que aportar la suficiente información a las ‘capas neuronales’ de las máquinas para que ellas solas puedan reconocer patrones y categorizarlos en un grupo determinado.
En otras palabras: cada una de esas ‘capas’ del deep learning es experta en una sola forma de conocimiento pero, en conjunto, saben comportarse para extraer conclusiones. A través del ‘aprendizaje profundo’, un ordenador puede saber que en una fotografía se ve un coche porque sus diferentes capas le están dando una serie datos individuales que, juntos, extraen el patrón de un coche: tiene ruedas, lleva volante, lleva faros delanteros y traseros, etc.
En el deep learning la máquina aprende por sí sola con cada nuevo input de información que recibe. Si en alguna ocasión emplea un dato equivocado, aprende del error
Hace algunos años, para que una máquina pudiera reconocer un vehículo en una imagen se necesitaban miles de ordenadores. Ahora, las nuevas tecnologías han simplificado mucho el proceso y empresas tan importantes a nivel internacional como IBM, Amazon o Microsoft posibilitan la aplicación de machine learning y deep learning de una forma mucho menos costosa. Lejos quedaron los 16.000 ordenadores que fueron necesarios en 2012 para reconocer un gato en nada menos que 10.000 vídeos de YouTube.
A modo de resumen, la principal diferencia entre estas dos formas de Inteligencia Artificial es que:
Además del ejemplo del filtrado de spam en la bandeja de entrada de correo electrónico, existen más casos en los que nos podemos dar cuenta de lo implantada que está en nuestro día a día esta forma de Inteligencia Artificial. A veces, en entornos tan necesarios como la medicina: según se informa en Xataka, el machine learning puede ayudar a detectar pacientes con tendencia al suicidio. Tras realizar una sencilla entrevista oral a los pacientes, el ordenador será capaz de analizar particularidades como la entonación o la velocidad de respuesta para extraer resultados. El estudio concluyó con un sorprendente 93 % de acierto.
Y del mundo médico, al del deporte. El machine learning pone en jaque la figura del comentarista deportivo al poder incluir comentarios con escaso margen de retraso durante la visualización de, por ejemplo, un encuentro futbolístico. Los primeros avances se han realizado en la India consiguiendo, durante la retransmisión de un partido de críquet, un 90 % de acierto.
Sí, la respuesta a la pregunta que encabeza este apartado es claramente afirmativa. Cualquiera que utilice Facebook habrá visto en mil y una ocasiones cómo esta red social es capaz de etiquetar las caras que aparecen en una foto y, a la vez, identificar el lugar donde está tomada la imagen. Esto es otro claro ejemplo de deep learning, algo en lo que el Brain Team de Google ha querido llegar más allá a través de su proyecto ‘Show and Tell’.
Tal y como puede leerse en el blog de la IEBS School –Escuela de Negocios de la Innovación y los Emprendedores–, este proyecto que emplea big data “utiliza el sistema de reconocimiento TensorFlow que dispone de un motor que, con una precisión del 93,9 %, muestra en un pequeño texto lo que ocurre en la imagen: no solo a quién pertenece una cara, sino lo que ocurre en una foto, el lugar, el ambiente”, etc.
En Google también se encuentra otro de los grandes desafíos del deep learning: conseguir que las traducciones online se acerquen lo máximo a la excelencia. Y es que los servicios de traducción virtuales utilizan esta forma de Inteligencia Artificial para, gracias a las correcciones de determinadas traducciones, no volver a cometer esos errores y ofrecer a los usuarios la mejor opción para sus consultas futuras.
