El deep learning es una tecnología que fue creada desde mediados del siglo pasado, pero es en la última década cuando ha tenido un mayor auge y, aunque hay quien dice que su futuro no es muy prometedor, la realidad es que las últimas invenciones en el área aún tienen mucho camino que recorrer.
En ActionsDATA nos apasiona la tecnología, por eso en este post queremos darte las claves del deep learning y las aplicaciones que puede tener en un futuro cada vez más cercano.
¿Qué es el deep learning?
El deep learning es un área dentro de la inteligencia artificial. Esta forma parte de las disciplinas relacionadas con el machine learning.
Para entender en qué consiste, lo primero es entender con qué objetivo fue diseñada esta tecnología: se buscaba que las máquinas operaran imitando la forma de operar del cerebro humano, sin necesidad de que haya intervención humana. En cierto modo, lo que se buscaba es que las máquinas “pensaran”.
Y, para conseguir que las máquinas replicaran las funciones del cerebro, los fundadores de esta tecnología decidieron crear redes que reprodujeran las redes neuronales que forman el sistema nervioso de los seres humanos.
¿Cómo están formadas las redes neuronales artificiales?
Las redes neuronales artificiales, como ya mencionamos, están inspiradas en el sistema nervioso del ser humano, y como este, cuentan con tres niveles:
Capa de entrada
Está formado por neuronas artificiales (dispositivos informáticos) que reciben la información introducida por el ser humano u obtenida de manera automatizada.
Capas ocultas
Son un conjunto de neuronas artificiales, que constituyen una compleja red, y están encargadas de procesar la información, intercambiándola entre sí, para obtener resultados, similares a las deducciones que hace el cerebro humano.
Capa de salida
Consiste en dispositivos que hacen visible la información sobre las predicciones realizadas en la red.
¿Para qué se usa el deep learning?
El deep learning se usa para una infinidad de tareas y está presente en nuestro día a día de manera constante. Es la tecnología que está detrás de Facebook, cuando etiquetamos a un amigo; en los bancos, para hacer predicciones de cuándo un cliente podría entrar en banca rota; en las suscripciones de los periódicos, para saber, por ejemplo, si un lector está a punto de abandonar su suscripción y ofrecerle nuevos productos a su medida; en los hospitales, para hacer diagnósticos médicos, o detrás de la ingeniería que permite el funcionamiento de los vehículos autónomos… Está presente en todas partes, en todo momento.
Y es que esta tecnología, aunque surgió en los 50, ha alcanzado su punto álgido en la última década. Su auge ya había comenzado en los 90, con la creación de sistemas de procesamiento de imágenes y datos. Pero se vio limitada por la falta de equipos informáticos capaces de soportar la gestión de cantidades ingentes de datos, y paradójicamente, por la falta de datos. No es que no hubiera datos suficientes en el mundo, es que aún no había sistemas ni protocolos de digitalización de una gran cantidad de información que, una vez introducida en los sistemas informáticos, estaba llamada a revolucionar la inteligencia artificial y nuestro día a día.
Para inicios del siglo 21, la capacidad de los ordenadores comenzó a incrementarse de manera exponencial, y surgieron grandes avances en el área del deep learning, que revolucionaron esta disciplina.
Entre los más destacados está la creación del reto ImageNet, que consistió en el diseño de un dataset con 14 millones de imágenes etiquetadas con código abierto, a partir del cual se convocó a expertos a crear un clasificador de imágenes global. Esta iniciativa impulsó la creación, por ejemplo, de la red neuronal Alex-net, que consiguió clasificar las imágenes con un margen de error de 15%, 11 puntos porcentuales menos que sus antecesores.
Un paso más hacia adelante en el deep learning se dio con la creación de las Redes Generativas Antagónicas (RGAs), también conocidas como GANs en inglés, que ya no solo clasificaban imágenes, sino que eran capaces de generar nuevas imágenes a partir de la analizadas. Estas son las redes que están detrás de las apps para envejecernos, a partir de una foto, o de las opciones que ofrece Google Arts para encontrar un cuadro similar a tu foto.
¿Hacia dónde va el deep learning?
Actualmente, los expertos en deep learning consideran que esta tecnología ha alcanzado el nivel de “pensamiento” del cerebro de un niño pequeño, pero estiman que, con los últimos avances, en un futuro inmediato, esta tecnología podría rebasar la capacidad de análisis y procesamiento de información de un adulto.
