El Deep Learning supone la base tecnológica de distintas funcionalidades de varios productos de Google y de otras grandes empresas tecnológicas. Apareció recientemente en los titulares de los medios de comunicación cuando el programa AlphaGo de Google venció a Lee Sedol, el campeón mundial de Go (un juego mucho más difícil de jugar por parte de una máquina que el ajedrez, ya que tiene muchas más combinaciones posibles).
Pero, ¿qué es el Deep Learning y en qué puede aplicarse? Forbes lo explica en un interesante artículo.
Machine Learning
Aunque a veces los términos se utilizan como sinónimos, el Deep Learning y el Machine Learning no son lo mismo. El Deep Learning es Machine Learning, pero existen técnicas de Machine Learning que no son Deep Learning.
El Machine Learning se describe a menudo como un tipo de técnicas de Inteligencia Artificial en las que los ordenadores aprenden a hacer algo sin ser programados para ello. Por ejemplo, se podría programar que se identifique a un animal como un gato escribiendo un código que indique al programa que elija «gato» cuando se ve una imagen concreta de un gato. Esto funcionaría si el único gato con el que tratase el programa es el de esa imagen, pero no lo haría si el programa tuviera que ver un montón de imágenes de diferentes animales, incluyendo una gran cantidad de gatos, y tuviera que identificar cuáles de ellas representan a un gato.
Los programas de Machine Learning actuarían en ese segundo caso. Para ello el programa debe aprender combinaciones de características visuales que tienden a aparecer juntas (por ejemplo, la forma de los cuerpos y de las caras), haciendo a los gatos visualmente diferentes de otros animales. De esta manera, el programa aprende a asociar esta combinación de características distintivas con la palabra «gato».
Una vez que se ha construido el modelo de “gato”, un programa de Machine Learning prueba dicho modelo al tratar de identificar a los gatos en un conjunto de imágenes que no ha visto antes. El programa mide el éxito obtenido en la identificación de los nuevos gatos y utiliza esta información para ajustar el modelo, de forma que la próxima vez obtendrá mejores resultados. El proceso continúa hasta que el programa haya construido un modelo que pueda identificar gatos con un alto nivel de precisión.
Deep Learning
El Deep Learning lleva a cabo el proceso de Machine Learning usando una red neuronal artificial que se compone de un número de niveles jerárquicos. En el nivel inicial de la jerarquía, la red aprende algo simple y luego envía esta información al siguiente nivel. Ese siguiente nivel toma la información, la combina, compone una información un poco más compleja y se lo pasa al tercer nivel. Y así sucesivamente.
Continuando con el ejemplo del gato, el nivel inicial de una red de Deep Learning podría utilizar las diferencias entre las zonas claras y oscuras de una imagen para saber dónde están los bordes de la imagen. A continuación, esta información pasa al segundo nivel, que combina los bordes construyendo formas simples, como una línea diagonal o un ángulo recto. El tercer nivel combina las formas simples y obtiene objetos más complejos cómo óvalos o rectángulos. El cuarto podría combinar estos objetos para formar barbas, patas o colas rudimentarias y el proceso continúa hasta que se alcanza el nivel superior en la jerarquía, donde la red aprende a identificar gatos.
¿Por y para qué es útil el Deep Learning?
El Deep Learning ha llamado mucho la atención por su potencial de utilidad en distintos tipos de aplicaciones en el “mundo real”, principalmente debido a que obtiene tasas de éxito elevadas con entrenamiento “no supervisado”. En el caso del ejemplo, las redes de Deep Learning aprenderían a identificar gatos aunque las imágenes no tuvieran la etiqueta «gato”.
A continuación se muestran algunos de los principales problemas “reales” en los que distintas compañías están aplicando Deep Learning en la actualidad:
- Utilización de imágenes en lugar de palabras clave para buscar productos de una empresa o artículos similares.
- Identificar marcas y logotipos de empresas en fotos publicadas en redes sociales.
- Monitorización en tiempo real de reacciones en canales online durante el lanzamiento de productos.
- Orientación de anuncios y predicción de las preferencias de los clientes.
- Identificación y seguimiento de los niveles de confianza de los clientes, sus opiniones y actitud en diferentes canales online y servicios de soporte automatizado al cliente.
- Identificación de clientes potenciales.
- Detección de fraudes, recomendaciones a clientes, gestión de relaciones con los clientes, etc.
- Mejor comprensión de enfermedades, mutaciones de enfermedades y terapias genéticas.
- Análisis de imágenes médicas, como radiografías y resonancias magnéticas, aumentando la precisión diagnóstica, en un menor tiempo y con un menor coste que los métodos tradicionales.
- Exploración de la posibilidad de reutilización de fármacos ya conocidos y probados para su uso contra nuevas enfermedades.
- Detección, predicción y prevención de amenazas sofisticadas en tiempo real en el campo de la ciberseguridad.
- Identificación en textos de sentimientos positivos y negativos, temas y palabras clave.
- Localización de caras e identificación de emociones faciales.
- Reconocimiento de voz.
- Clasificación de vídeos.
El descubrimiento y reconocimiento de patrones en el mundo que nos rodea es un factor fundamental en los progresos científicos y tecnológicos actuales. La cuestión ahora es cómo utilizar el Deep Learning para obtener nuevos conocimientos o para mejorar lo que se está haciendo. En definitiva, para innovar.
Fuente: Forbes