Las personas aprendemos de la experiencia. Cuanto más variadas sean nuestras vivencias, más aprenderemos. En la disciplina de la inteligencia artificial (IA) que se conoce como aprendizaje profundo, esto mismo se puede decir de las máquinas potenciadas por el software y el hardware de IA. Las experiencias a través de las cuales aprenden las máquinas se definen mediante los datos que adquieren, y la cantidad y la calidad de estos datos determinan cuánto pueden aprender.

El aprendizaje profundo es una rama del aprendizaje automático. A diferencia de los algoritmos tradicionales de aprendizaje automático, muchos de los cuales tienen una capacidad finita de aprendizaje independientemente de cuántos datos adquieran, los sistemas de aprendizaje profundo pueden mejorar su rendimiento al poder acceder a un mayor número de datos, o lo que es lo mismo, hacer que la máquina tenga más experiencia. Una vez que las máquinas han conseguido suficiente experiencia mediante el aprendizaje profundo, pueden ponerse a trabajar para realizar tareas específicas como conducir un coche, detectar hierbajos en un campo de cultivo, detectar enfermedades, inspeccionar maquinaria para identificar errores, etc.

Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas en los datos que reciben. Al crear modelos computacionales compuestos por varias capas de procesamiento, las redes pueden crear varios niveles de abstracción que representen los datos.

Por ejemplo, un modelo de aprendizaje profundo conocido como «redes neuronales convolucionales», se puede entrenar como un gran número (de millones) de imágenes; por ejemplo, las que contienen gatos. Este tipo de red neuronal normalmente aprende de los píxeles que contienen las imágenes que adquiere. Puede clasificar grupos de píxeles que representan las características de un gato, con grupos de características como las garras, las orejas y los ojos, lo que indicaría la presencia de un gato en la imagen.

El aprendizaje profundo es totalmente distinto del aprendizaje automático convencional. En este ejemplo, un experto en dominios necesitaría dedicar mucho tiempo a diseñar un sistema de aprendizaje automático convencional que detecte las características que representan un gato. Con el aprendizaje profundo, todo lo que necesita es ofrecer al sistema un gran número de imágenes de gatos, tras lo cual el sistema aprende de forma autónoma las características que representan un gato.

En muchas tareas, como la visión por ordenador, el reconocimiento de voz, la traducción automática y la robótica, el rendimiento de los sistemas de aprendizaje profundo supera enormemente el de los sistemas de aprendizaje automático convencional. Esto no significa que crear sistemas de aprendizaje profundo sea relativamente fácil en comparación con los sistemas de aprendizaje automático convencional. Si bien el reconocimiento de características es autónomo en el aprendizaje profundo, hay que ajustar miles de hiperparámetros (botones) para que el modelo de aprendizaje profundo sea realmente efectivo.

Estamos en un época de oportunidad sin precedentes y, con la tecnología del aprendizaje profundo, podemos conseguir nuevos avances. El aprendizaje profundo ha desempeñado un papel decisivo en el descubrimiento de exoplanetas, nuevos fármacos, en la detección de enfermedades y partículas subatómicas. Nos ayuda a aumentar de forma decisiva nuestros conocimientos en biología, incluidos los genomas, la proteómica, la metabolómica, la inmunoterapia, etc.

En este momento en el que estamos, nos enfrentamos a retos implacables. El cambio climático amenaza la producción de alimentos y podría suscitar un día luchas por los recursos limitados. El reto del cambio medioambiental se ve acentuado por una población humana cada vez mayor, que se espera que llegue a los 9000 millones en el 2050. El ámbito y la escala de estos retos requieren un nuevo nivel de inteligencia, que ahora es posible con el aprendizaje profundo.

Durante la explosión cámbrica que se produjo hace unos 540 millones de años, la visión se reveló como una ventaja de los animales frente a sus competidores y muy pronto se convirtió en el principal impulsor de la evolución. Junto con la evolución de las redes neuronales biológicas que se utilizan para procesar la información visual, la visión ofreció a los animales un mapa de todo lo que les rodeaba y aumentó su conocimiento del mundo exterior.

Hoy en día, la combinación de cámaras que cumplen la función de ojos artificiales y las redes neuronales que pueden procesar la información visual que capturan esos ojos ha producido una explosión de datos en aplicaciones de IA impulsadas por datos. Del mismo modo que la visión tuvo un papel fundamental en la evolución de la vida en la tierra, el aprendizaje profundo y las redes neuronales mejorarán las capacidades de los robots. Cada vez más, conocerán su entorno, tomarán decisiones autónomas, colaborarán con nosotros y aumentarán nuestras propias funcionalidades.

Robótica

Muchos de los adelantos recientes que se han producido en la robótica se han producido por avances en la IA y el aprendizaje profundo. Por ejemplo, gracias a la IA, los robots pueden percibir y responder a su entorno. Esta capacidad aumenta la variedad de funciones que pueden realizar: desde desplazarse por plantas de almacenes a ordenar y manejar objetos de diferente naturaleza, frágiles o mezclados. Algo tan simple como elegir una fresa es una tarea muy sencilla para una persona, pero ha sido sumamente difícil conseguir que lo haga un robot. A medida que progrese la IA, esos avances irán mejorando las cosas que puede hacer los robots.

El desarrollo que se está produciendo en la IA significa que podemos esperar que los robots del futuro se puedan usar cada vez más como ayudantes de humanos. No se utilizarán para comprender preguntas y responderlas, como sucede hoy en día; sino que podrán actuar según gestos y comandos de voz, e incluso anticiparse al próximo movimiento de un trabajador. Actualmente, los robots colaborativos ya trabajan junto a personas, pero realizando las tareas que mejor se adaptan a cada uno por separado.

Agricultura

La IA tiene el potencial de revolucionar la agricultura. En este momento, el aprendizaje profundo permite a los granjeros implantar equipos que pueden ver y distinguir entre cultivos y malas hierbas. Gracias a esta capacidad, las máquinas recolectoras pueden rociar de forma selectiva los herbicidas sobre las malas hierbas sin tocar el resto. La maquinaria agrícola que utiliza la visión por ordenador con aprendizaje profundo puede incluso optimizar cada una de las plantas de un terreno al rociar selectivamente herbicidas, fertilizantes, fungicidas, insecticidas y productos químicos. Además de reducir el uso de herbicidas y mejorar la producción agrícola, el aprendizaje profundo se puede extender a otras operaciones agrícolas, como la aplicación de fertilizantes, el riego y la recolección.

Exploración médica y servicios sanitarios

El aprendizaje profundo ha sido particularmente eficaz en las exploraciones médicas, debido a la disponibilidad de datos de gran calidad y la capacidad que tienen las redes neuronales convolucionales de clasificar imágenes. Por ejemplo, el aprendizaje profundo puede ser tan efectivo como un dermatólogo al clasificar los cánceres de piel, o incluso más. Varios proveedores ya han recibido la aprobación de la FDA para aplicar algoritmos de aprendizaje profundo con la finalidad de emitir diagnósticos, incluido el análisis de imágenes para oncología y enfermedades de la retina. El aprendizaje profundo también está realizando avances significativos en la mejora de la calidad de los servicios sanitarios al predecir eventos médicos a partir de los datos de los historiales médicos.

El futuro del aprendizaje profundo

En la actualidad, existen varias arquitecturas de red neuronal optimizadas para determinados tipos de entradas y tareas. Las redes neuronales convolucionales son muy buenas clasificando imágenes. Otra forma de arquitectura de aprendizaje profundo utiliza redes neuronales recurrentes para procesar datos secuenciales. Tanto los modelos de redes neuronales convolucionales como las recurrentes realizan lo que se conoce como aprendizaje supervisado, lo que significa que se tienen que proveer con grandes cantidades de datos para poder aprender. En el futuro, los tipos más sofisticados de IA usarán el aprendizaje no supervisado. Se está dedicando una gran cantidad de investigación a la tecnología de aprendizaje no supervisado y semisupervisado.

El aprendizaje de refuerzo es un paradigma ligeramente diferente al aprendizaje profundo en el que un agente aprende por ensayo y error en un entorno simulado únicamente de recompensas y castigos. Las extensiones de aprendizaje profundo en este dominio se conocen como aprendizaje de refuerzo profundo (DRL). Se ha producido un considerable progreso en este campo, como se demuestra en los programas de DRL que han logrado vencer a humanos en el antiguo juego del Go.

Diseñar arquitecturas de redes neuronales que solucionen problemas es increíblemente difícil y es incluso más complejo cuando hay que ajustar muchos hiperparámetros y se pueden elegir más funciones de pérdida para optimizarlas. Se ha realizado una gran cantidad de investigaciones para aprender arquitecturas de redes neuronales en buen estado de forma autónoma. Aprender a aprender, o lo que se conoce también como «metaaprendizaje» o «AutoML», sigue progesando constantemente.

Las redes neuronales artificiales actuales se basaban en el entendimiento que se tenía en los años 50 de cómo los cerebros humanos procesan la información. La neurociencia ha progresado bastante desde entonces y las arquitecturas de aprendizaje profundo son ahora tan sofisticadas que parecen mostrar estructuras como células de red, presentes en cerebros neuronales biológicos que se usan para la navegación. Tanto la neurociencia como el aprendizaje profundo pueden beneficiarse entre sí de la «polinización cruzada» de ideas y es muy probable que estos campos se fundan en uno en algún momento.

Ya no usamos ordenadores mecánicos y, en algún momento, tampoco usaremos los digitales. En su lugar, usaremos una nueva generación de ordenadores cuánticos. Se han producido varios avances en la computación cuántica en los últimos años y los algoritmos de aprendizaje pueden, de hecho, beneficiarse de la increíble cantidad de computación disponible que los ordenadores cuánticos pueden ofrecer. También se podrían usar algoritmos de aprendizaje para comprender el resultado que se obtiene de los ordenadores cuánticos probabilísticos. El aprendizaje automático cuántico es una rama muy activa del aprendizaje automático y, con la primera conferencia internacional sobre aprendizaje automático cuántico celebrada en 2018, se pronostica un buen comienzo.