¿Qué es el Deep Learning (aprendizaje profundo)?


El Deep Learning, llamado Aprendizaje Profundo en castellano, puede definirse como el aprendizaje de forma autónoma por parte de una inteligencia artificial utilizando algoritmos desde el análisis de grandes bases de datos. Dentro del campo de la Inteligencia Artificial se encuentra el Aprendizaje Automático (Machine Learning), y dentro de este campo llegamos al Deep Learning.


Las funciones del Aprendizaje Profundo o Deep Learning pueden cambiar y mejorar los algoritmos libremente. Deep Learning utiliza como estrategia la imitación de las capas de neuronas del neocórtex cerebral para encontrar patrones y aprender de ellos.El enfoque de la investigación actual se encuentra en el desarrollo de programas que se adapten por si mismos a la introducción de nuevos datos, para de esa forma aprender y mejorar procesos.


El Aprendizaje Profundo se enmarca dentro de la Inteligencia Artificial y abarca gran parte de los sistemas basados en reglas y lógica que han sido diseñados para resolver problemas concretos. El Deep Learning va un paso más allá del análisis de datos para poder ayudar a la toma de decisiones (Aprendizaje Automático). El aprendizaje Profundo pretende dar sentido a los datos utilizando la abstracción en capas múltiples, imitando un proceso neuronal.


El Aprendizaje Profundo ejecuta el proceso de Aprendizaje Automático con niveles jerárquicos. La red aprende algo sencillo a un nivel primario, enviando la información al siguiente nivel que lo combina, convirtiéndolo en algo más complejo y enviando esa información al tercer nivel. Este proceso continúa hasta construir algo mucho más complejo en los siguientes niveles de la red neuronal artificial.


El Aprendizaje Profundo como medio del Aprendizaje Automático

El Deep Learning es uno de los enfoques más populares en estos momentos para lograr el Aprendizaje Automático. La razón es que requiere muy poca intervención manual para conseguir el aprendizaje por parte de la Inteligencia Artificial. El Deep Learning difiere de metodologías más tradicionales en las que los programadores deben introducir manualmente todos los factores y variables relevantes y posibles que debe considerar el programa para que este funcione. Esto da lugar a la posibilidad de errores si no se introducen todas las variables. Solo necesita la entrada de grandes cantidades de datos que luego analiza produciendo unos resultados en forma de vectores de probabilidad. Esto le permite aprender.


Aplicaciones prácticas del Deep Learning


Un ejemplo sería la conducción de vehículos autónomos. La cantidad de datos y variables que debe tener en cuenta el conductor del vehículo es enorme. Utilizando métodos tradicionales para programar un vehículo autónomo, sería muy difícil introducir la solución a todas las situaciones posibles que un conductor puede encontrarse en la carretera. El Deep Learning aprende de la información recibida buscando soluciones a los distintos problemas por si mismo.


El Aprendizaje Profundo encuentra patrones en la representación digital de los datos, como son el sonido o las imágenes. Por eso se utiliza para programas de reconocimiento de imágenes (incluso de caras), reconocimiento de voz, para la traducción automática y muchas más aplicaciones prácticas.

Por supuesto la Inteligencia Artificial y el Aprendizaje Profundo requieren de máquinas con una gran capacidad de proceso y GPUs muy potentes. Gracias a la reducción exponencial del tamaño de los transistores se ha conseguido un crecimiento también exponencial de la capacidad de proceso, lo que ha generado una explosión en la Inteligencia Artificial y el Aprendizaje Profundo.