La inteligencia artificial es un concepto que engloba al aprendizaje automático o de máquinas (machine learning) y el aprendizaje profundo (deep learning), por lo que una primera aproximación a ambos términos nos sitúa ya en un contexto de subordinación de unos a otros.
A la hora de establecer sus coordenadas con el fin de ubicarlo en su lugar, como hemos apuntado, comprobamos que ese lugar no es otro que el amplio campo de la inteligencia artificial. Así pues, la especificidad del Machine Learning y del Deep Learning con respecto a ésta sería una de las principales diferencias entre ambas.
De nuevo, apuntamos la importancia de no confundir su pertenencia a la inteligencia artificial, como subcampo, con su tremendo auge, adquirido a raíz de la pujanza recientemente experimentada. De hecho, el machine learning es una de las ramas más destacadas de la inteligencia artificial.
Machine learning: el autoaprendizaje
El machine learning logra el aprendizaje de los ordenadores a partir de los datos que se le introducen, así como de la ejecución de algoritmos. En concreto, comparte con otras ramas de la inteligencia artificial el uso de algoritmos, pero con un enfoque en los datos orientado a “educar” a la maquinaria para fomentar su autonomía.
El aprendizaje automático, así pues, se diferencia de conceptos tradicionales por esa esta capacidad que otorgan los algoritmos para aprender de los datos. En este punto, el machine learning forma parte de la inteligencia artificial, pues su desarrollo se basa en la teoría del aprendizaje computacional.
Pero también toma conceptos de otras disciplinas, ya que también se desarrolló a partir del estudio de reconocimiento de patrones, una ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos. Su objetivo es obtener información que permita establecer propiedades de entre los conjuntos de dichos objetos.
Los ejemplos van más allá de la robótica, abarcando desde sus aplicaciones en data science dentro del Big Data, hasta, por ejemplo, programas informáticos de detección de fraude, aplicación en el sector de la medicina y en numerosos ámbitos de la investigación.
Qué es Deep Learning y cómo funciona
Está sub-rama del Machine Learning está revolucionando la inteligencia artificial a una velocidad de vértigo y ha concitado el interés de grandes compañías gracias a sus prometedores avances, muchos ya una realidad. Se trata, en efecto, del tan traído y llevado tema del Deep Learning, una tecnología de aprendizaje y clasificación basada redes de neuronas artificiales numéricas.
Si el Machine Learning se centra en lograr un aprendizaje automático, el Deep Learning se orienta hacia el entendimiento de los datos que va teniendo. Por otro lado, la evolución de aquel pasa inevitablemente el aprendizaje sin intervención humana previa. Es decir, de forma independiente, dentro de un ciclo de aprendizaje constante retroalimentado por información nueva.
Junto con los sistemas de computación cognitiva, el Deep Learning supone un acercamiento al modo de pensar humano, buscando imitar las características de nuestro sistema nervioso. Se trata, en suma, de buscar la detección de determinadas características ocultas en los datos para lograr exitosos sistemas cognitivos artificiales.
En términos más técnicos, el Deep Learning utiliza redes neuronales de mayor cantidad de capas que las redes neuronales utilizadas en el Machine learning. La cantidad de neuronas de estas redes, sumadas a la cantidad de capas, multiplicadas por las conexiones entre todas esas neuronas simulan la complejidad de las conexiones sinápticas humanas. (ver mapa de redes neuronales instituto Asimov: https://www.asimovinstitute.org/neural-network-zoo/)
Los avances en sistemas cognitivos artificiales se suman a los elementos contextuales apuntados, como el entorno IoT y los frameworks que facilitan el procesamiento distribuido de grandes conjuntos de datos o la posibilidad de obtención de datos en tiempo real. De este modo, tecnologías como el Deep Learning se revelan como claves para dar significado a esos océanos de datos que esperan convertirse en una información valiosa.
En efecto, el Deep Learning busca la resolución de problemas que plantea el mundo real. Un enfoque práctico que se lleva a cabo a partir de redes neuronales profundas que imitan el modo de funcionar de nuestro cerebro.
Los datos que van entrando en el sistema se utilizan para ir afinando su capacidad a la hora de tomar nuevas decisiones. En este sentido, el programador no debe especificar las tareas o definición de características, puesto que el algoritmo lo hace emulando al cerebro humano.
En otras palabras, se procesa la información a través de la práctica, imitando el aprendizaje que realizamos nosotros, careciendo de una información completa de las reglas. Conforme la red vaya recibiendo información irá tomando decisiones correctas en un mayor porcentaje de ocasiones. El algoritmo irá evolucionando gracias a la alimentación de millones de ejemplos, logrando una mejora con el tiempo, dependiendo de la complejidad de la tarea.
