El aprendizaje profundo (deep learning) es una rama del aprendizaje automático en la que máquinas equipadas con hardware y software de IA aprenden de grandes volúmenes de datos. Usan redes neuronales con varias capas para detectar patrones y mejoran su rendimiento cuanto más datos adquieren.
La gente aprende con la experiencia, y cuanto más variadas sean nuestras vivencias, más aprendemos. En la disciplina de la inteligencia artificial (IA) que se conoce como aprendizaje profundo, lo mismo se aplica a las máquinas.
El aprendizaje profundo es una rama del aprendizaje automático (machine learning). A diferencia de muchos algoritmos tradicionales, que tienen una capacidad finita de aprendizaje, los sistemas de aprendizaje profundo siguen mejorando a medida que acceden a más datos.
Las redes de aprendizaje profundo aprenden detectando estructuras complejas en los datos que registran. Al construir modelos computacionales con varias capas de procesamiento, las redes crean varios niveles de abstracción para representar los datos.
Un modelo conocido como red neuronal convolucional (CNN) se puede entrenar con millones de imágenes, por ejemplo, imágenes de gatos. Este tipo de red neuronal aprende de los píxeles que contienen las imágenes y clasifica los grupos de píxeles que representan rasgos como garras, orejas y ojos.
El aprendizaje profundo se distingue del aprendizaje automático convencional en cómo trata esos rasgos. Con un sistema convencional, un experto tendría que dedicar mucho tiempo a diseñar la detección de rasgos que representan un gato. Con el aprendizaje profundo, basta con suministrar al sistema un gran número de imágenes y el sistema aprende por sí solo los rasgos.
El aprendizaje profundo destaca en muchas tareas donde supera al aprendizaje automático convencional:
Construir estos sistemas no es sencillo. Aunque el reconocimiento de características es autónomo, hay que ajustar miles de hiperparámetros para que el modelo sea realmente efectivo.
El aprendizaje profundo es un subconjunto del aprendizaje automático, pero difiere en cómo extrae la información de los datos. La tabla siguiente resume las diferencias principales entre ambos.
| Criterio | Aprendizaje automático tradicional | Aprendizaje profundo |
|---|---|---|
| Extracción de rasgos | La define un experto humano | La aprende el sistema por sí solo |
| Volumen de datos | Funciona con conjuntos más pequeños | Mejora con grandes volúmenes de datos |
| Capacidad de aprendizaje | A menudo finita, aunque haya más datos | Sigue mejorando con más datos |
| Estructura | Algoritmos con menos capas | Redes neuronales con varias capas |
| Tareas típicas | Clasificación y regresión sencillas | Visión, voz, traducción, robótica |
El aprendizaje profundo es, por tanto, la opción adecuada cuando existen grandes cantidades de datos y las tareas son demasiado complejas para diseñar los rasgos a mano.
Las arquitecturas de aprendizaje profundo están optimizadas para distintos tipos de datos y tareas. Cada una organiza sus capas de una forma que se adapta al problema que resuelve.
El diseño de estas arquitecturas es difícil, porque hay muchos hiperparámetros que ajustar y muchas funciones de pérdida entre las que elegir.
El aprendizaje profundo permite avances que antes no eran posibles. Ha sido decisivo en el descubrimiento de exoplanetas, en la creación de nuevos fármacos y en la detección de enfermedades y partículas subatómicas.
El aprendizaje profundo también amplía radicalmente nuestros conocimientos en biología, incluidos los genomas, la proteómica, la metabolómica y la inmunoterapia. Su alcance responde a retos de gran escala, desde la producción de alimentos hasta el cambio ambiental, agravado por una población humana que se prevé que alcance los 9.000 millones en 2050.
Durante la explosión cámbrica, hace unos 540 millones de años, el sentido de la vista se convirtió en una ventaja competitiva y en un motor de la evolución. Combinada con las redes neuronales biológicas, la visión dio a los animales un mapa de su entorno.
La combinación de cámaras como ojos artificiales y redes neuronales que procesan esa información visual está impulsando una explosión de aplicaciones de IA basadas en datos. El aprendizaje profundo mejorará las prestaciones de los robots, que serán capaces de conocer su entorno, tomar decisiones autónomas y colaborar con nosotros.
El aprendizaje profundo ya funciona en sectores muy distintos. Los ejemplos siguientes muestran cómo se aplica en robótica, agricultura, diagnóstico por imagen y en las líneas de investigación actuales.
La robótica ha avanzado gracias a los progresos en IA y aprendizaje profundo. Con la IA, los robots pueden percibir su entorno y reaccionar ante él, lo que amplía las funciones que realizan, desde desplazarse por un almacén hasta clasificar objetos frágiles o mezclados.
Coger una fresa es una tarea sencilla para las personas, pero ha sido muy difícil para los robots. A medida que avanza la IA, los robots se usan cada vez más como asistentes: reaccionan ante órdenes de voz y gestos, e incluso anticipan el próximo movimiento de un trabajador. Los robots colaborativos ya trabajan junto a las personas, cada uno en las tareas mejor adaptadas a sus capacidades.
La agricultura aprovecha el aprendizaje profundo para distinguir entre plantas de cultivo y malas hierbas. Gracias a esta capacidad, las desbrozadoras rocían herbicidas de forma selectiva sobre las malas hierbas y dejan intactas las demás plantas.
Las máquinas agrícolas que usan visión computarizada basada en aprendizaje profundo optimizan cada planta mediante la pulverización selectiva de herbicidas, fertilizantes, fungicidas, insecticidas y productos biológicos. Además de reducir el uso de herbicidas y mejorar la producción, el aprendizaje profundo se extiende a otras operaciones como el abonado, el riego y la cosecha.
El diagnóstico por imagen es uno de los campos donde el aprendizaje profundo resulta más eficaz, gracias a la disponibilidad de datos de alta calidad y a la capacidad de las redes neuronales convolucionales de clasificar imágenes. El aprendizaje profundo puede ser tan efectivo como un dermatólogo al clasificar cánceres de piel, o incluso más.
Varios proveedores ya han recibido la aprobación de la FDA para aplicar algoritmos de aprendizaje profundo con fines diagnósticos, incluido el análisis de imágenes para enfermedades oncológicas y de la retina. El aprendizaje profundo también mejora la calidad asistencial al predecir eventos de salud a partir de los historiales médicos electrónicos.
La investigación del aprendizaje profundo se dirige hacia modelos que dependen menos de datos etiquetados. Las redes neuronales convolucionales y recurrentes realizan aprendizaje supervisado, que necesita grandes cantidades de datos; la investigación actual explora el aprendizaje no supervisado y semisupervisado.
El aprendizaje por refuerzo profundo (DRL) ya ha logrado avances notables, como demuestran los programas que vencen a personas en el juego del GO. En paralelo, las técnicas de metaaprendizaje y AutoML buscan aprender arquitecturas óptimas de forma autónoma.
Las redes neuronales artificiales partieron de la interpretación que se tenía en los años cincuenta sobre cómo procesa la información el cerebro humano. La neurociencia ha progresado mucho desde entonces, y las arquitecturas de aprendizaje profundo ya muestran estructuras como células de red, presentes en cerebros biológicos que se usan para la navegación. Ambos campos se benefician del intercambio de ideas.
El aprendizaje automático cuántico es una rama muy activa que estudia cómo pueden ayudar los ordenadores cuánticos a los algoritmos de aprendizaje, aprovechando la enorme capacidad de cálculo que ofrecen.
El aprendizaje profundo aporta ventajas claras, pero también tiene limitaciones que conviene conocer antes de adoptarlo. Este equilibrio ayuda a decidir cuándo es la técnica adecuada.
Ventajas principales:
Limitaciones principales:
Estas limitaciones explican por qué la infraestructura de datos que sostiene los proyectos de aprendizaje profundo es tan determinante como los propios modelos.
Deep learning, o aprendizaje profundo, significa que una máquina aprende de grandes volúmenes de datos mediante redes neuronales con varias capas. Estas capas crean niveles de abstracción que representan patrones cada vez más complejos.
El aprendizaje profundo es una rama del aprendizaje automático. La diferencia principal es que el aprendizaje profundo extrae las características por sí solo a partir de los datos, mientras que el aprendizaje automático tradicional suele requerir que un experto las defina.
El aprendizaje profundo sirve para tareas como la visión computarizada, la traducción automática, el reconocimiento de voz y la robótica. También se aplica en agricultura, diagnóstico por imagen y descubrimiento de fármacos.
Un modelo de aprendizaje profundo aprende detectando estructuras complejas en los datos que registra. Ajusta miles de hiperparámetros a lo largo de varias capas de procesamiento hasta representar los patrones con precisión.
Una red neuronal convolucional (CNN) es una arquitectura de aprendizaje profundo especializada en clasificar imágenes. Aprende de los píxeles de las imágenes y agrupa rasgos que identifican el contenido.
Los sistemas de aprendizaje profundo mejoran su rendimiento cuanto más datos adquieren. La cantidad y la calidad de los datos determinan cuánto puede aprender el modelo.
Elimina los obstáculos en la infraestructura de IA para lograr una recopilación de datos más eficiente, cargas de trabajo de IA aceleradas y una integración de la nube más fluida.