Aprendizaje profundo: los mecanismos de la magia

¿Qué es el aprendizaje profundo?

A menudo abreviado como AP, el aprendizaje profundo es un subconjunto del aprendizaje automático y, por extensión, de la inteligencia artificial: una técnica de entrenamiento de computadoras que imita la manera en que las neuronas del cerebro humano procesan y recopilan información; es, literalmente, una red neuronal artificial.

El aprendizaje profundo se emplea para enseñar a las máquinas a procesar datos de un modo que simula las múltiples capas de nuestro cerebro y que sean capaces, por tanto, de desempeñar tareas que antes eran exclusivas del talento humano. Ya estamos presenciando numerosas aplicaciones de aprendizaje profundo y usos para el AP que incluyen el reconocimiento de imágenes, la traducción de lenguas e incluso la conducción autónoma, y que recaen al ámbito de las capacidades computacionales. En esencia, el aprendizaje profundo es una poderosa herramienta a la hora de desentrañar conocimientos complejos que están ocultos en cantidades ingentes de datos.

¿Cómo funciona el aprendizaje profundo?

El cerebro humano natural está formado por millones de neuronas interconectadas. Creados a imagen y semejanza de la naturaleza, los algoritmos de aprendizaje profundo emplean redes neuronales artificiales formadas por múltiples capas de nodos interconectados, denominados neuronas artificiales o unidades. Cada capa procesa la información de la capa anterior y la entrega a la siguiente, extrayéndose así gradualmente características y patrones de cada nivel superior.

Los modelos de aprendizaje profundo se entrenan con grandes cantidades de datos etiquetados, conocidos como conjuntos de entrenamiento, para aprender a reconocer y clasificar patrones. Podría tratarse de un desafío simple, como en un conjunto de datos de «perros contra gatos», un conjunto de datos estándar de visión computarizada cuyas fotografías hay que clasificar según contengan un perro o un gato. Otros conjuntos de datos más sofisticados podrían referirse a la apreciación del vino o la detección de las «fake news» entre las noticias auténticas.

Durante el entrenamiento, los parámetros y las ponderaciones de la red neuronal se ajustan para minimizar la diferencia entre las salidas previstas y las salidas reales. A lo largo de múltiples iteraciones, el modelo se va perfeccionando hasta que es capaz de hacer predicciones o ejecutar tareas con un grado elevado de exactitud y precisión.

Son diversos los lenguajes de programación que han surgido para implementar algoritmos de aprendizaje profundo. No pocas personas apuestan por usar el aprendizaje profundo con Python por su sencillez, legibilidad y sus amplias «bibliotecas» (paquetes de código preescrito que ayudan a los desarrolladores a resolver problemas comunes). Ciertas bibliotecas populares, como TensorFlow y PyTorch, proporcionan un rico conjunto de herramientas y funcionalidades para la construcción y el entrenamiento de modelos de aprendizaje profundo.

Aprendizaje profundo frente a aprendizaje automático

El aprendizaje profundo es un método de creación de representaciones jerárquicas ricas mediante el entrenamiento de redes neuronales con numerosas capas ocultas. Se trata de una evolución del aprendizaje automático que requiere mucha menos ayuda del ser humano. Aunque los modelos básicos de aprendizaje automático van mejorando en el desempeño de sus funciones específicas a medida que absorben nuevos datos, cuando devuelven una predicción inexacta, un ingeniero debe intervenir y realizar ajustes. Sin embargo, el aprendizaje profundo realiza sus propios ajustes y corrige su rumbo sin necesidad de ayuda humana.

Aplicaciones del aprendizaje profundo

El aprendizaje profundo ya está teniendo efectos positivos en nuestra vida, ya que se implementa en muchos sectores diferentes. Estas aplicaciones pueden agruparse en cuatro grandes categorías:

• Visión artificial (interpretación de imágenes y videos mediante computadoras)
• Reconocimiento del habla
• Procesamiento del lenguaje natural, o PLN
• Motores de recomendación

Por ejemplo, en el sector de la salud, la visión artificial está desempeñando un papel crucial en el análisis de imágenes médicas, ya que acelera la detección y el diagnóstico y ayuda a identificar los tratamientos más eficaces. El software de reconocimiento del habla permite tomar notas en tiempo real a partir de fuentes de audio de las consultas médicas, lo que ahorra horas de transcripción.

En el tráfico rodado, el aprendizaje profundo está acelerando el avance de los vehículos autónomos, ya que les permite percibir y comprender su entorno, leer las señales de tráfico y navegar con seguridad.

En el sector de las finanzas, la capacidad del aprendizaje profundo para analizar patrones complejos lo hace muy valioso a la hora de detectar las transacciones fraudulentas e informarse antes de tomar una decisión de inversión, gracias a sus predicciones de las tendencias del mercado. En el ámbito empresarial, el análisis de informes extensos requiere apenas unos segundos cuando se recurre al PLN.

Mientras tanto, los robots que incorporan sistemas de aprendizaje profundo son capaces de navegar, manipular e interactuar cada vez más como las personas. Esta tecnología ya está dando saltos de gigante en la automatización industrial y en la colaboración entre humanos y robots, ambas fundamentales en ámbitos como la fabricación y la electrónica.

En el día a día, los motores de recomendación de plataformas como Netflix, Amazon y las redes sociales nos brindan propuestas cada vez más pertinentes gracias al análisis que el aprendizaje profundo hace de nuestras preferencias como usuarios.

¿Dónde están las limitaciones del aprendizaje profundo?

A pesar de sus notables capacidades y su impresionante potencial, el AP no está exento de limitaciones y problemas. Exige una cantidad ingente de memoria y almacenamiento y consume datos a tal ritmo que la obtención de conjuntos de datos de alta calidad, diversos y bien etiquetados puede ser todo un desafío, especialmente en aquellos dominios cuyos datos son escasos o costosos. También consume profusamente tanto recursos de entrenamiento como energía eléctrica y puede ser proclive al exceso de ajuste: a obtener buenos resultados con los datos de entrenamiento, pero malos con los datos nuevos y desconocidos.

Al igual que la mayoría de los ámbitos de la IA, el aprendizaje profundo también plantea cuestiones éticas en torno a la seguridad de los datos y los sesgos e imprecisiones inherentes al ser humano que pueden impregnar sus áreas de aprendizaje.

El marco para el aprendizaje profundo

Aunque los beneficios potenciales del aprendizaje profundo son enormes, una buena gobernanza de la tecnología será esencial para hacerlos realidad. El desarrollo de marcos legales y éticos apropiados será fundamental para generar confianza y mitigar los riesgos.

Las Normas Internacionales tendrán un papel importante a la hora de garantizar la adopción responsable del aprendizaje profundo en el ámbito de la IA. ISO, en colaboración con la Comisión Electrotécnica Internacional (IEC), ha publicado ya toda una serie de normas a través de su grupo especializado de expertos en inteligencia artificial, y está desarrollando un marco evolutivo de orientación para las aplicaciones de aprendizaje profundo en todo el mundo.

Las empresas y los legisladores ya pueden sacar partido de estas normas como parte de una garantía de una implantación ética y segura de los modelos de aprendizaje profundo. El cumplimiento de las Normas Internacionales genera confianza entre los clientes y colegas de todos los sectores.

El futuro del aprendizaje profundo

El aprendizaje profundo está aún en pañales, pero se espera que crezca exponencialmente y tiene visos de resultar transformador para la sociedad. La integración del aprendizaje profundo con otras tecnologías de última generación –por ejemplo, en combinación con la realidad aumentada o la realidad virtual– podría revolucionar la forma en que experimentamos el mundo que nos rodea y nuestra interacción con él. Un simple paseo por la ciudad podría incrementarse con información instantánea acerca de los edificios y los monumentos cercanos. Los mundos virtuales serán cada vez más inmersivos y realistas.

Muy probablemente, veremos aplicaciones del aprendizaje profundo en campos como la agricultura, la energía y la fabricación, ámbitos donde alberga potencial para optimizar los procesos, mejorar la eficiencia e impulsar la innovación. Más importante aún es que acelerará la solución para problemas que afectan todo el planeta, como el cambio climático y la seguridad alimentaria.

Guiado por las Normas Internacionales e impulsado por la creatividad y el ingenio humanos, el panorama futuro del aprendizaje profundo se plantea fascinante, inspirador y casi ilimitado.