¿Qué es el aprendizaje profundo?

El  aprendizaje profundo es un tema que cada vez adquiere mayor relevancia en el campo de la inteligencia artificial (IA). Siendo una subcategoría del aprendizaje automático, el aprendizaje profundo trata del uso de redes neuronales para mejorar cosas tales como el reconocimiento de voz, la visión por ordenador y el procesamiento del lenguaje natural. Rápidamente se está convirtiendo en uno de los campos más solicitados en informática. En los últimos años, el aprendizaje profundo ha ayudado a lograr avances en áreas tan diversas como la percepción de objetos, la traducción automática y el reconocimiento de voz (todas ellas áreas especialmente complejas para los investigadores en IA).

bbva-openmind-ahmed-banafa-deep-learning

Neuronas / Imagen: dominio público

Red neuronal

En tecnología de la información, una red neuronal es un sistema de programas y estructuras de datos que se aproxima al funcionamiento del cerebro humano. Una red neuronal suele implicar un gran número de procesadores funcionando en paralelo, teniendo cada uno de ellos su propia pequeña esfera de conocimiento y acceso a datos en su memoria local. Habitualmente, en un principio una red neuronal se “adiestra” o se alimenta con grandes cantidades de datos y reglas acerca de las relaciones (por ejemplo, “un abuelo es más viejo que el padre de una persona”). Luego, un programa puede indicar a la red cómo comportarse en respuesta a un estímulo externo (por ejemplo, a un dato que introduce un usuario de ordenador que está interactuando con la red) o puede iniciar la actividad por sí misma (dentro de los límites de su acceso al mundo externo).

Aprendizaje profundo frente a aprendizaje automático

Para entender qué es el aprendizaje profundo, lo primero que hay que hacer es distinguirlo de otras disciplinas que pertenecen al campo de la IA.

Una consecuencia de la IA fue el aprendizaje de máquina, donde el ordenador extrae conocimiento a través de experiencia supervisada. Esto solía implicar a un operador humano que ayudaba a la máquina a aprender proporcionándole cientos o miles de ejemplos de formación y corrigiendo manualmente sus errores.

Si bien el aprendizaje de máquina se ha convertido en un elemento dominante en el campo de la IA, presenta ciertos problemas. Por un lado, consume muchísimo tiempo. Por otro, aún no constituye una verdadera medida de inteligencia de máquina ya que se apoya en la ingenuidad humana para proponer las abstracciones que permiten que el ordenador aprenda.

A diferencia de lo que ocurre con el aprendizaje de máquina, el aprendizaje profundo está menos sometido a supervisión. Implica, por ejemplo, la creación de redes neuronales a gran escala que permiten que el ordenador aprenda y “piense” por sí mismo sin necesidad de intervención humana directa.

El aprendizaje profundo “realmente no presenta el aspecto de un programa informático”, afirma Gary Marcus psicólogo y experto en IA de la Universidad de Nueva York. En este sentido, comenta que el código informático ordinario está escrito siguiendo pasos lógicos muy estrictos. “Pero lo que cabe encontrar en el aprendizaje profundo es algo distinto. No hay una serie de instrucciones indicando que: “si una cosa es verdadera, haz esta otra cosa”, afirma. En lugar de estar basada en la lógica lineal, el aprendizaje profundo se basa en teorías acerca cómo funciona el cerebro humano. El programa está constituido por capas anidadas de nodos interconectados. Después de cada nueva experiencia, aprende reacomodando las conexiones entre los nodos.

El aprendizaje profundo ha demostrado que tiene potencial como base para crear software capaz de determinar emociones o eventos descritos en un texto incluso sin que sean citados explícitamente, reconocer objetos en fotografías y realizar sofisticadas predicciones acerca del probable futuro comportamiento de las personas.

El juego del aprendizaje profundo

En 2011, Google puso en marcha el proyecto Google Brain, que creó una red neuronal entrenada con algoritmos de aprendizaje profundo destacando por demostrar su capacidad para reconocer conceptos de alto nivel.

El año pasado, Facebook creó la Unidad de investigación en IA, utilizando conocimiento experto en aprendizaje profundo para ayudar a crear soluciones que identificarán mejor rostros y objetos que aparecen en los 350 millones de vídeos y fotografías que se transfieren diariamente a Facebook. Un ejemplo de aprendizaje profundo en acción es el sistema de reconocimiento de voz que se incluye en Google Now o en el sistema de Apple denominado Siri.

El futuro

El aprendizaje profundo promete muchos avances, haciendo que la construcción de automóviles sin conductor y la creación de mayordomos robóticos constituyan posibilidades reales. Aún están limitados, pero lo que pueden lograr resultaba impensable hace solo algunos años. Y el ritmo al que avanzan no tiene precedentes. La capacidad de analizar conjuntos de datos masivos y de utilizar el aprendizaje profundo en sistemas informáticos que puedan adaptarse a la experiencia, en lugar de depender de un programador humano, conducirá a avances tecnológicos de calado. Abarcan desde descubrimientos de medicamentos o el desarrollo de nuevos materiales hasta la creación de robots con un mayor nivel de consciencia acerca del mundo que los rodea. Quizás esto explica por qué razón Google se ha ido de compras últimamente y las empresas de robótica han estado situadas en el principio de su lista. En cuestión de meses, han adquirido ocho empresas de robótica.

Este texto se ha publicado anteriormente en el perfil de Linkedin de Ahmed Banafa.

Referencias

http://www.technologyreview.com/news/524026/is-google-cornering-the-market-on-deep-learning/

http://www.npr.org/blogs/alltechconsidered/2014/02/20/280232074/deep-learning-teaching-computers-to-tell-things-apart

http://searchnetworking.techtarget.com/definition/neural-network