¿Qué es el deep learning?

El deep learning, también conocido como aprendizaje profundo, es una rama del machine learning o aprendizaje automático en la que los ordenadores procesan grandes cantidades de datos mediante redes neuronales que se inspiran en el funcionamiento del cerebro humano.

En el deep learning, el foco principal está en el proceso de aprendizaje autónomo de las redes neuronales. Estas redes están formadas por una capa de entrada, una o más capas o intermedias y una capa de salida. La información llega a la capa de entrada en forma de vector, después se procesa en las capas intermedias a través de pesos asignados por las neuronas artificiales, y finalmente, se genera un patrón específico en la capa de salida. Cuantas más capas o “layers” tenga una red neuronal artificial, más complejas pueden ser las tareas que la inteligencia artificial puede realizar.

¿Cómo funciona el deep learning? Ejemplo de reconocimiento de imágenes

Supongamos que queremos clasificar fotos según muestren personas, gatos o perros: esto es todo un desafío para un ordenador. Naturalmente, al contrario que las personas, un ordenador no es capaz de reconocer imágenes de un vistazo, sino que debe realizar para ello un análisis de ciertas características concretas de la imagen.

En el proceso de deep learning se analizan capa a capa los datos primarios introducidos (en este caso, la imagen). En la primera capa de la red neuronal artificial, el sistema comprueba, por ejemplo, qué color tiene cada uno de los píxeles. A continuación, cada píxel es procesado por una neurona de la red. En la capa siguiente se identificarán los contornos y esquinas y, en la siguiente, se analizarán características más complejas.

Las informaciones que se recaben pasarán a formar parte de un algoritmo flexible que se irá optimizando en base a los resultados que se van transmitiendo de una capa a la siguiente. De esta manera, el ordenador puede decidir, tras haber realizado numerosos análisis, si la imagen muestra un perro, un gato o, por el contrario, una persona.

Al principio del proceso tiene lugar un entrenamiento en el que las conclusiones erróneas del ordenador son corregidas por personas para afinar así el algoritmo, el cual, al poco tiempo, será capaz de mejorar su propia capacidad de reconocimiento por sí mismo. Alterando los enlaces entre las neuronas y adaptando la ponderación de las variables dentro del algoritmo, ciertas informaciones de entrada (fotos variadas de gatos, por ejemplo) conducirán, cada vez de forma más exacta y con menos fallos, a ciertos resultados (la identificación del gato). Cuantas más imágenes se le propongan al sistema, más aprenderá.

Para las personas no siempre está claro qué patrones ha identificado el ordenador en el proceso del deep learning para llegar a cierta conclusión, pero el sistema es capaz de optimizar sus reglas continuamente por sí mismo.

La historia del deep learning

Como término, el deep learning o aprendizaje profundo es bastante nuevo, ya que se mencionó por primera vez aproximadamente en el año 2000. No obstante, la idea de usar redes neuronales artificiales para permitir a los ordenadores tomar decisiones inteligentes ya tiene varias décadas.

La investigación básica en este ámbito se remonta incluso a los años 40 y las primeras redes neuronales artificiales se desarrollaron en los 80, pero la calidad de los resultados era aún bastante decepcionante. Una de las razones de estos pobres resultados se debe a que el deep learning, esto es, el aprendizaje autónomo por parte del ordenador, requiere grandes cantidades de datos digitales, de las que por entonces aún no se disponía. Hasta la llegada del nuevo milenio no empezó la era de los datos masivos o big data, que volvieron a reavivar con fuerza el interés de la ciencia y la economía en el deep learning.

Puntos fuertes y débiles del deep learning

En comparación con tecnologías anteriores de inteligencia artificial, el deep learning o aprendizaje profundo tiene mucha más capacidad de rendimiento. Sin embargo, para que esta tecnología pueda desarrollar todo su potencial, habrá que lidiar primero con algunas de las limitaciones que presenta.

Puntos fuertes del aprendizaje profundo

Uno de los argumentos más importantes a favor del deep learning es la calidad de sus resultados, que superan con creces a los de otras tecnologías, especialmente en el ámbito del reconocimiento de imágenes y del procesamiento de voz. Suponiendo que se disponga de datos de entrada de calidad para el entrenamiento, mediante el aprendizaje profundo se pueden realizar tareas rutinarias de forma más rápida y eficiente que si las llevaran a cabo personas, y todo ello sin signos de cansancio ni estancamiento de la calidad.

En otras ramas del aprendizaje automático, los desarrolladores analizan los datos primarios y definen regularmente características adicionales que el algoritmo deberá tener en cuenta a la hora de aprender, con el fin de mejorar así su capacidad de predicción. En el deep learning, en cambio, el sistema reconoce por sí mismo variables útiles y las integra en su proceso de aprendizaje, de manera que, tras un entrenamiento inicial, es capaz de aprender sin intervención humana. De esta manera, no se necesita personal especializado para el desarrollo de dichas características.

Hasta hace poco, para hacer posible el aprendizaje automático había que etiquetar o identificar grandes cantidades de datos a mano: para el reconocimiento de imágenes, por ejemplo, los trabajadores debían asignar en primer lugar la etiqueta de gato o perro a las imágenes. Con el deep learning, el entrenamiento manual requerido es mucho más breve, lo cual es especialmente relevante porque, si bien las empresas suelen recabar grandes cantidades de datos, solo en pocos casos se tratan de datos estructurados (como números de teléfono, direcciones postales, tarjetas de crédito, etc.). En la mayoría de los casos, se guardan datos no estructurados (como imágenes, documentos, correos electrónicos, etc.). A diferencia de otros métodos de aprendizaje automático o machine learning, el deep learning es capaz de analizar datos procedentes de fuentes no estructuradas basándose en la tarea que se le haya asignado.

El argumento de que esta tecnología es demasiado costosa como para comercializarse en masa va perdiendo su fuerza, ya que cada vez aparecen más servicios como Vision de Google o Watson de IBM , que permiten a las empresas seguir desarrollando redes neuronales ya existentes en lugar de tener que crearlas desde cero. Gracias a esta posibilidad, en el futuro podremos ver cómo los puntos fuertes del deep learning se desarrollan cada vez más en la práctica empresarial.

Resumen de los puntos fuertes

• Mejores resultados que con otros métodos de aprendizaje automático
• No es necesario desarrollar características ni etiquetar los datos manualmente
• Realización eficiente de tareas rutinarias sin fluctuaciones de calidad
• Funcionamiento sin complicaciones con datos no estructurados
• Cada vez hay más servicios que simplifican el uso de las redes neuronales artificiales

Puntos débiles del aprendizaje profundo

El aprendizaje profundo o deep learning requiere una enorme capacidad de procesamiento que depende en gran medida de la complejidad y dificultad de la tarea y del tamaño del conjunto de datos introducidos. Esto ha hecho que, hasta ahora, la tecnología sea costosa y esté limitada a la investigación y a unas pocas megacorporaciones.

En este sentido ha habido muchas mejoras, pero lo que ciertamente no cambiará en el futuro próximo es que las decisiones tomadas por los procesos de deep learning no siempre son comprensibles para las personas, al menos no en detalle. La red neuronal sigue siendo como una caja negra; un sistema cuyo funcionamiento no se llega a conocer en profundidad. Por ello, en algunos casos de uso donde la trazabilidad es crucial, esta tecnología resulta irrelevante.

Para que el deep learning funcione, se necesitan grandes conjuntos de datos de entrenamiento o training. Si no se dispone de ellos, los ordenadores aún no son capaces de obtener buenos resultados. Si bien ya se están fundando las primeras bibliotecas de redes neuronales, que facilitan el uso del aprendizaje profundo para un público más amplio, estos servicios no se pueden aplicar a todos los fines. Por eso, el desarrollo de algoritmos de aprendizaje para el aprendizaje profundo sigue requiriendo grandes inversiones de tiempo e incluso podría llegar a requerir más tiempo que otros métodos alternativos.

Resumen de los puntos débiles

• Requiere una alta potencia de procesamiento
• El desarrollo de algoritmos de aprendizaje necesita relativamente mucho tiempo
• Se necesitan grandes cantidades de datos de entrada
• Se necesitan más datos de entrenamiento que con otros métodos de aprendizaje automático
• Las decisiones tomadas por el sistema son apenas o nada comprensibles (caja negra)

Ámbitos de aplicación del deep learning

El deep learning ya se usa en sectores muy diversos y su uso se extenderá aún más en el futuro, hasta llegar a muchos ámbitos de nuestra vida cotidiana.

• Experiencia de usuario: en la actualidad ya se está usando el aprendizaje profundo y el procesamiento del lenguaje natural (Natural Language Processing (NLP)) con el fin de optimizar algunos chatbots. De esta forma, se puede responder mejor a las consultas de los clientes y reducir al mismo tiempo la carga del personal en este ámbito.
• Asistentes de voz: el deep learning se utiliza, como ya se ha mencionado, en diversos asistentes de voz como Alexa, Google Assistant o Siri, a través de síntesis de voz. Estos asistentes amplían de forma autónoma su vocabulario y comprensión del lenguaje.
• Traducciones: con traductores basados en aprendizaje profundo, como DeepL, es posible realizar traducciones de alta calidad. Gracias a esta tecnología, también se pueden traducir automáticamente dialectos y textos presentes en imágenes a otros idiomas.
• Creación de textos: los modelos de lenguaje extensos (LLM) como ChatGPT pueden generar textos utilizando aprendizaje profundo que no solo son correctos en cuanto a gramática y ortografía, sino que también imitan el estilo de autores concretos, siempre que reciban suficiente material para entrenarse. En los primeros intentos, los sistemas de IA crearon artículos para Wikipedia y textos de Shakespeare sorprendentemente realistas gracias al deep learning.
• Ciberseguridad: los sistemas de inteligencia artificial con deep learning funcionan especialmente bien a la hora de identificar irregularidades en la actividad del sistema. De esta manera, pueden avisar de posibles ataques de hackers.
• Finanzas: la habilidad de detectar anomalías resulta especialmente útil en el delicado ámbito de las transacciones financieras. Si se entrena el algoritmo de forma adecuada, pueden evitarse ataques a las redes bancarias y fraudes con tarjetas de crédito mucho mejor que hasta ahora.
• Marketing y ventas: los sistemas de IA son capaces de realizar análisis de sentimiento con la ayuda del deep learning y tomar medidas definidas de forma autónoma para mejorar la satisfacción del cliente.
• Conducción autónoma: la idea de un tráfico más seguro gracias a coches que transiten sin conductor sigue siendo una fantasía, pero la tecnología necesaria para ello ya existe y combina diversos algoritmos de deep learning: un algoritmo reconoce, por ejemplo, las señales de tráfico, mientras que otro se especializa en detectar peatones.
• Robots industriales: los robots equipados con inteligencia artificial basada en deep learning podrían ser útiles en muchos sectores industriales. Estos sistemas son capaces de aprender a manejar máquinas simplemente observando a un humano y luego optimizar su desempeño de forma autónoma.
• Mantenimiento: especialmente en el ámbito del mantenimiento industrial, existen muchas posibilidades de aplicación de sistemas de deep learning. En instalaciones complejas, es necesario supervisar continuamente numerosos parámetros. Además, el aprendizaje profundo puede realizar predicciones sobre qué componentes de un sistema requerirán trabajos de mantenimiento en el futuro próximo, lo que también se conoce como predictive maintenance.
• Medicina: las IA basadas en deep learning pueden analizar imágenes con mucha más precisión que el ojo humano, incluso el de un especialista. Gracias a estos sistemas inteligentes, es posible detectar enfermedades en imágenes de tomografías o radiografías antes de lo que sería posible con métodos tradicionales.

Deep learning: un gran potencial, pero no una solución universal

En general, al oír hablar de deep learning, uno tiene a veces la sensación de que se trata del único modo viable de implementar la inteligencia artificial. En realidad, el deep learning ofrece resultados significativamente mejores en muchos ámbitos que las tecnologías usadas hasta ahora.

Sin embargo, el deep learning no es siempre la mejor solución para los problemas tecnológicos, sino que hay muchas otras maneras de dotar de inteligencia a los ordenadores. Existen soluciones, por ejemplo, que funcionan también con menores cantidades de datos y cuyos procesos de decisión son comprensibles para los humanos.

Algunos investigadores en materia de IA ven el deep learning como una solución transitoria y están convencidos de que se desarrollarán mejores estrategias que no estén inspiradas en el cerebro humano. La estrategia empresarial de Google en este sentido es un ejemplo de que no se deben ignorar las críticas: en Google, el aprendizaje profundo es solo una parte de la estrategia de IA, de la que también forman parte otros métodos de aprendizaje automático, como el desarrollo de la ordenadores cuánticos.