¿Qué es el aprendizaje profundo?
El aprendizaje profundo es un tipo de aprendizaje automático e inteligencia artificial (IA) que imita la forma en que los seres humanos adquieren determinados tipos de conocimientos. Los modelos de aprendizaje profundo pueden enseñarse a realizar tareas de clasificación y a reconocer patrones en fotos, texto, audio y otros datos diversos. También se utiliza para automatizar tareas que normalmente necesitarían inteligencia humana, como describir imágenes o transcribir archivos de audio.
El aprendizaje profundo es un elemento importante de la ciencia de datos, incluidas la estadística y el modelado predictivo. Es extremadamente beneficioso para los científicos de datos que se encargan de recopilar, analizar e interpretar grandes cantidades de datos; el aprendizaje profundo hace que este proceso sea más rápido y sencillo.
Mientras que los cerebros humanos tienen millones de neuronas interconectadas que trabajan juntas para aprender información, el aprendizaje profundo presenta redes neuronales construidas a partir de múltiples capas de nodos de software que trabajan juntos. Los modelos de aprendizaje profundo se entrenan utilizando un gran conjunto de datos etiquetados y arquitecturas de redes neuronales.
El aprendizaje profundo permite que una computadora aprenda mediante el ejemplo. Para entender el aprendizaje profundo, imagine un niño pequeño cuya primera palabra es perro. El niño aprende lo que es — y lo que no es — un perro señalando objetos y diciendo la palabra perro. Los padres dicen: «Sí, eso es un perro» o «No, eso no es un perro». A medida que el niño va señalando objetos, se va dando cuenta de las características que poseen todos los perros. Lo que el niño está haciendo, sin saberlo, es clarificar una abstracción compleja: el concepto de perro. Lo hace construyendo una jerarquía en la que cada nivel de abstracción se crea con los conocimientos adquiridos en el nivel anterior de la jerarquía.
¿Por qué es importante el aprendizaje profundo?
El aprendizaje profundo requiere tanto una gran cantidad de datos etiquetados como potencia de cálculo. Si una organización puede dar cabida a ambas necesidades, el aprendizaje profundo puede utilizarse en ámbitos como los asistentes digitales, la detección de fraudes y el reconocimiento facial. El aprendizaje profundo también tiene una alta precisión de reconocimiento, que es crucial para otras aplicaciones potenciales en las que la seguridad es un factor importante, como en coches autónomos o dispositivos médicos.
¿Cómo funciona el aprendizaje profundo?
Los programas informáticos que utilizan el aprendizaje profundo pasan por un proceso muy parecido al de un niño pequeño que aprende a identificar a un perro, por ejemplo.
Los programas de aprendizaje profundo tienen múltiples capas de nodos interconectados, y cada capa se basa en la anterior para refinar y optimizar las predicciones y clasificaciones. El aprendizaje profundo realiza transformaciones no lineales en su entrada y utiliza lo que aprende para crear un modelo estadístico como salida. Las iteraciones continúan hasta que el resultado alcanza un nivel aceptable de precisión. El número de capas de procesamiento por las que deben pasar los datos es lo que inspira la etiqueta de profundo.
En el aprendizaje automático tradicional, el proceso de aprendizaje es supervisado y el programador debe ser extremadamente específico a la hora de indicar al ordenador qué tipo de cosas debe buscar para decidir si una imagen contiene un perro o no. Se trata de un laborioso proceso denominado extracción de características, y la tasa de éxito del ordenador depende por completo de la capacidad del programador para definir con precisión un conjunto de características para el perro. La ventaja del aprendizaje profundo es que el programa construye el conjunto de características por sí mismo, sin supervisión.
Inicialmente, el programa informático podría recibir datos de entrenamiento: un conjunto de imágenes para las cuales un humano ha etiquetado cada imagen como perro o no perro con meta-etiquetas. El programa utiliza la información que recibe de los datos de entrenamiento para crear un conjunto de características para el perro y construir un modelo predictivo. En este caso, el modelo que el ordenador crea en primer lugar podría predecir que cualquier cosa en una imagen que tenga cuatro patas y una cola debería etiquetarse como perro. Por supuesto, el programa no conoce las etiquetas cuatro patas o cola. Simplemente busca patrones de píxeles en los datos digitales. Con cada iteración, el modelo predictivo se vuelve más complejo y preciso.
A diferencia del niño pequeño, que tarda semanas o incluso meses en entender el concepto de perro, a un programa informático que utiliza algoritmos de aprendizaje profundo se le puede mostrar un conjunto de entrenamiento y clasificar millones de imágenes, identificando con precisión qué imágenes contienen perros, en cuestión de minutos.
Para alcanzar 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 al alcance de los programadores hasta la era de los big data y la computación en la nube. Debido a que la programación de aprendizaje profundo puede crear modelos estadísticos complejos directamente a partir de su propia salida iterativa, es capaz de crear modelos predictivos precisos a partir de grandes cantidades de datos no estructurados y sin etiquetar.
Métodos de aprendizaje profundo
Se pueden utilizar varios métodos para crear modelos sólidos de aprendizaje profundo. Estas técnicas incluyen el decaimiento de la tasa de aprendizaje, el aprendizaje por transferencia, el entrenamiento desde cero y el abandono.
Decaimiento de la tasa de aprendizaje
La tasa de aprendizaje es un hiperparámetro, un factor que define el sistema o establece las condiciones para su funcionamiento antes del proceso de aprendizaje, que controla cuánto cambia el modelo en respuesta al error estimado cada vez que se alteran los pesos del modelo. Unas tasas de aprendizaje demasiado altas pueden dar lugar a procesos de entrenamiento inestables o al aprendizaje de un conjunto de pesos subóptimo. Las tasas de aprendizaje demasiado bajas pueden dar lugar a un proceso de entrenamiento prolongado y potencialmente estancado.
El método de decaimiento de la tasa de aprendizaje, también llamado recocido de la tasa de aprendizaje o tasa de aprendizaje adaptativa, es el proceso de adaptación de la tasa de aprendizaje para aumentar el rendimiento y reducir el tiempo de entrenamiento. Las adaptaciones más sencillas y comunes de la tasa de aprendizaje durante el entrenamiento incluyen técnicas para reducir la tasa de aprendizaje a lo largo del tiempo.
Aprendizaje por transferencia
Este proceso consiste en perfeccionar un modelo previamente entrenado; requiere una interfaz con el funcionamiento interno de una red preexistente. En primer lugar, los usuarios alimentan la red existente con nuevos datos que contienen clasificaciones previamente desconocidas. Una vez realizados los ajustes en la red, se pueden realizar nuevas tareas con capacidades de categorización más específicas. Este método tiene la ventaja de requerir muchos menos datos que otros, lo que reduce el tiempo de cálculo a minutos u horas.
Entrenamiento desde cero
Este método requiere 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, así como para aplicaciones con muchas categorías de salida. Sin embargo, en general, es un método menos común, ya que requiere cantidades desmesuradas de datos, haciendo que el entrenamiento lleve días o semanas.
Abandono
Este método intenta resolver el problema del sobreajuste en redes con grandes cantidades de parámetros eliminando aleatoriamente unidades y sus conexiones de la red neuronal durante el entrenamiento. Se ha demostrado que el método abandono (dropout) puede mejorar el rendimiento de las redes neuronales en tareas de aprendizaje supervisado en áreas como el reconocimiento del habla, la clasificación de documentos y la biología computacional.
Redes neuronales de aprendizaje profundo
La mayoría de los modelos de aprendizaje profundo se basan en un tipo de algoritmo de aprendizaje automático avanzado, conocido como red neuronal artificial (RNA). Como resultado, el aprendizaje profundo puede denominarse a veces aprendizaje neuronal profundo o red neuronal profunda (DDN).
Las DDN constan de capas de entrada, ocultas y de salida. Los nodos de entrada actúan como una capa para colocar los datos de entrada. El número de capas y nodos de salida necesarios cambia en función de la salida. Por ejemplo, las salidas de sí o no sólo necesitan dos nodos, mientras que las salidas con más datos requieren más nodos. Las capas ocultas son múltiples capas que procesan y pasan datos a otras capas de la red neuronal.
Las redes neuronales se presentan en varias formas diferentes, entre las que se incluyen las siguientes:
- Redes neuronales recurrentes.
- Redes neuronales convolucionales.
- Redes neuronales artificiales y feed.
- Redes neuronales de avance.
Cada tipo de red neuronal presenta ventajas para casos de uso específicos. Sin embargo, todas funcionan de forma similar: introducen datos y dejan que el modelo decida por sí mismo si ha hecho la interpretación o ha tomado la decisión correcta sobre un determinado elemento de datos.
Las redes neuronales implican un proceso de ensayo y error, por lo que necesitan grandes cantidades de datos para entrenarse. No es casualidad que las redes neuronales se popularizaran después de que la mayoría de las empresas adoptaran el análisis de big data y acumularan grandes cantidades de datos. Dado que las primeras iteraciones del modelo implican conjeturas algo informadas sobre el contenido de una imagen o partes del discurso, los datos utilizados durante la fase de entrenamiento deben estar etiquetados para que el modelo pueda ver si sus conjeturas eran correctas. Esto significa que los datos no estructurados son menos útiles. Los datos no estructurados solo pueden ser analizados por un modelo de aprendizaje profundo una vez que ha sido entrenado y alcanza un nivel aceptable de precisión, pero los modelos de aprendizaje profundo no pueden entrenarse en datos no estructurados.
Beneficios del aprendizaje profundo
Entre los beneficios del aprendizaje profundo se incluyen las siguientes:
- Aprendizaje automático de funciones. Los sistemas de aprendizaje profundo pueden realizar la extracción de funciones automáticamente, lo que significa que no requieren supervisión para añadir nuevas funciones.
- Descubrimiento de patrones. Los sistemas de aprendizaje profundo pueden analizar grandes cantidades de datos y descubrir patrones complejos en imágenes, texto y audio, así como obtener información sobre la que podrían no haber sido entrenados.
- Procesamiento de conjuntos de datos volátiles. Los sistemas de aprendizaje profundo pueden categorizar y ordenar conjuntos de datos que presentan grandes variaciones, como en los sistemas de transacciones y fraude.
- Tipos de datos. Los sistemas de aprendizaje profundo pueden procesar tanto datos estructurados como no estructurados.
- Precisión. Todas las capas de nodos adicionales utilizadas ayudan a optimizar los modelos de aprendizaje profundo para obtener mayor precisión.
- Puede hacer más que otros métodos de aprendizaje automático. En comparación con los procesos típicos de aprendizaje automático, el aprendizaje profundo necesita menos intervención humana y puede analizar datos que otros procesos de aprendizaje automático no pueden hacer tan bien.
Ejemplos de aprendizaje profundo
Dado que los modelos de aprendizaje profundo procesan la información de forma similar al cerebro humano, pueden aplicarse a muchas tareas que realizan las personas. El aprendizaje profundo se utiliza actualmente en las herramientas más comunes de reconocimiento de imágenes, procesamiento del lenguaje natural (PLN) y software de reconocimiento del habla.
Los casos de uso actuales del aprendizaje profundo incluyen todo tipo de aplicaciones analíticas de big data, especialmente las centradas en la PLN, la traducción de idiomas, el diagnóstico médico, las señales de negociación en bolsa, la seguridad en la red y el reconocimiento de imágenes.
Entre los campos específicos en los que se utiliza actualmente el aprendizaje profundo figuran los siguientes:
- Experiencia del cliente (CX). Los modelos de aprendizaje profundo ya se utilizan en los chatbots. Y, a medida que siga madurando, se espera que el aprendizaje profundo se implemente en varias empresas para mejorar la CX y aumentar la satisfacción del cliente.
- Generación de texto. Se está enseñando a las máquinas la gramática y el estilo de un texto y, a continuación, se utiliza este modelo para crear automáticamente un texto completamente nuevo que coincida con la ortografía, la gramática y el estilo adecuado del texto original.
- Aeroespacial y militar. El aprendizaje profundo se está utilizando para detectar objetos desde satélites que identifican áreas de interés, así como zonas seguras o inseguras para las tropas.
- Automatización industrial. El aprendizaje profundo está mejorando la seguridad de los trabajadores en entornos como fábricas y almacenes mediante servicios de automatización industrial que detectan automáticamente cuándo un trabajador u objeto se acerca demasiado a una máquina.
- Añadir color. Se puede añadir color a fotos y vídeos en blanco y negro utilizando modelos de aprendizaje profundo. En el pasado, esto era un proceso manual que llevaba mucho tiempo.
- Visión por computadora. El aprendizaje profundo ha mejorado enormemente la visión por computadora, proporcionando a las computadoras una precisión extrema para la detección de objetos y la clasificación, restauración y segmentación de imágenes.
Limitaciones y desafíos
Los sistemas de aprendizaje profundo también tienen sus inconvenientes:
- Aprenden a través de observaciones, lo que significa que sólo saben lo que había en los datos sobre los que se han entrenado. Si un usuario dispone de pocos datos o éstos proceden de una fuente específica que no es necesariamente representativa del área funcional más amplia, los modelos no aprenden de forma generalizable.
- La cuestión de los sesgos también es un problema importante para los modelos de aprendizaje profundo. Si un modelo se entrena con datos que contienen sesgos, el modelo reproduce esos sesgos en sus predicciones. Este ha sido un problema molesto para los programadores de aprendizaje profundo, ya que los modelos aprenden a diferenciar basándose en variaciones sutiles de los elementos de los datos. A menudo, los factores que determina que son importantes no están explícitamente claros para el programador. Esto significa, por ejemplo, que un modelo de reconocimiento facial puede determinar las características de las personas en función de factores como la raza o el sexo sin que el programador sea consciente de ello.
- La tasa de aprendizaje también se convierte en un reto importante para los modelos de aprendizaje profundo. Si la tasa es demasiado alta, el modelo converge demasiado rápido y produce una solución que no es la óptima. Si la tasa es demasiado baja, el proceso puede atascarse y será aún más difícil llegar a una solución.
- Los requisitos de hardware para los modelos de aprendizaje profundo también crean limitaciones. Se necesitan unidades de procesamiento gráfico (GPU) multinúcleo de alto rendimiento y otras unidades de procesamiento similares para garantizar una mayor eficiencia y un menor consumo de tiempo. Sin embargo, estas unidades son caras y consumen grandes cantidades de energía. Otros requisitos de hardware son la memoria RAM y una unidad de disco duro o una unidad de estado sólido basada en RAM.
Otras limitaciones y retos son los siguientes:
- Requiere grandes cantidades de datos. Además, los modelos más potentes y precisos necesitan más parámetros que, a su vez, requieren más datos.
- Falta de multitarea. Una vez entrenados, los modelos de aprendizaje profundo se vuelven inflexibles y no pueden manejar la multitarea. Pueden ofrecer soluciones eficientes y precisas, pero solo para un problema específico. Incluso resolver un problema similar requeriría volver a entrenar el sistema.
- Falta de razonamiento. Cualquier aplicación que requiera razonamiento — como programación o aplicación del método científico — planificación a largo plazo y manipulación de datos similar a un algoritmo, está completamente más allá de lo que las técnicas actuales de aprendizaje profundo pueden hacer, incluso con grandes cantidades de datos.
Aprendizaje profundo vs aprendizaje automático
El aprendizaje profundo es un subconjunto del aprendizaje automático que se diferencia por la forma en que resuelve los problemas. El aprendizaje automático requiere un experto en la materia para identificar la mayoría de las características aplicadas. Por otro lado, el aprendizaje profundo comprende las características de forma incremental, eliminando así la necesidad de experiencia en el dominio.
Esto hace que los algoritmos de aprendizaje profundo tarden mucho más en entrenarse que los algoritmos de aprendizaje automático, que solo necesitan entre unos segundos y unas horas. Sin embargo, durante las pruebas ocurre lo contrario. Los algoritmos de aprendizaje profundo tardan mucho menos en ejecutar las pruebas que los algoritmos de aprendizaje automático, cuyo tiempo de prueba aumenta junto con el tamaño de los datos.
Además, el aprendizaje automático no requiere las mismas máquinas costosas de gama alta ni las GPUs de alto rendimiento que el aprendizaje profundo.
Al final, muchos científicos de datos eligen el aprendizaje automático tradicional en lugar del aprendizaje profundo debido a su superior interpretabilidad, o la capacidad de dar sentido a las soluciones. Los algoritmos de aprendizaje automático también son preferibles cuando los datos son pequeños.
Los casos en los que el aprendizaje profundo se vuelve preferible incluyen situaciones en las que hay una gran cantidad de datos, una falta de comprensión del dominio para la introspección de características o problemas complejos, como el reconocimiento del habla y la PNL.
Posibles aplicaciones del aprendizaje profundo en el futuro
Actualmente, el aprendizaje profundo se utiliza en tecnologías comunes, como en sistemas de reconocimiento facial automático, asistentes digitales y detección de fraudes. El aprendizaje profundo también se utiliza en tecnologías emergentes.
Por ejemplo, se utiliza en el campo de la medicina para detectar delirios en pacientes en estado crítico. Los investigadores del cáncer también han empezado a aplicar el aprendizaje profundo en su práctica como forma de detectar automáticamente células cancerosas. Los coches autónomos también están utilizando el aprendizaje profundo para detectar automáticamente objetos como señales de tráfico o peatones. Y las plataformas de redes sociales pueden utilizar el aprendizaje profundo para la moderación de contenidos, combinando imágenes y audio.
