El mundo vive actualmente una era con la que muchos soñaron en el pasado. La oportunidad de contar con máquinas inteligentes ahora es más real gracias a la Inteligencia Artificial (IA).

La Inteligencia Artificial es la simulación de procesos de inteligencia humana por parte de máquinas, especialmente sistemas informáticos. Estos procesos incluyen aprendizaje, razonamiento y autocorrección. 

No es algo que comenzó hace algunos años, los inventores siempre han soñado con lograr esto al menos desde la época de la antigua Grecia.

Hoy en día, hay muchos campos en los que puedes ver las aplicaciones de la inteligencia artificial (IA) como el software inteligente para automatizar el trabajo de rutina, el reconocimiento facial y el reconocimiento del habla en teléfonos inteligentes, diagnósticos médicos e investigación científica, etc. ¿Cómo lo han estado logrando más rápido últimamente? Gracias al aprendizaje automático y profundo. 

Aprendizaje automático y profundo

Anteriormente, varios de los proyectos de IA han tratado de ser un conocimiento codificado utilizando reglas de inferencia lógica y esto se conoce como enfoque de base de conocimiento para la inteligencia artificial.

Pero lamentablemente ninguno de esos proyectos condujo a un gran éxito porque es imposible para un operador humano definir todas las reglas manualmente para la máquina o descubrir todos los casos posibles para un trabajo en particular porque puede ser cualquier cosa en el mundo real.

Estas dificultades que enfrentaron los antiguos sistemas de inteligencia artificial llevaron a la necesidad de adquirir la capacidad de un conocimiento propio, extrayendo patrones de los datos sin procesar. Esta capacidad se conoce como Machine Learning o aprendizaje automático. 

El aprendizaje automático permitió que las computadoras se alimentaran de datos o ejemplos sin procesar de la vida real y trata de extraer patrones de ellos y tomar mejores decisiones por sí mismo. Algunos de los algoritmos automáticos son: logistic regression, naive bayes, SVM etc.

El rendimiento de estos algoritmos de aprendizaje automático depende en gran medida de la representación de los datos que se proporcionan. Cada pieza de información incluida en la representación se conoce como características y estos algoritmos aprenden cómo usar estas características para extraer patrones u obtener conocimiento.

Pero a veces es difícil saber qué características se deben extraer. Por ejemplo, supongamos que queremos detectar automóviles a partir de una imagen, ahora nos gustaría usar la presencia de la rueda como una característica. Pero es difícil describir cómo se ve una rueda en términos de valores de píxeles.

Una solución a este problema es utilizar el aprendizaje automático para descubrir no solo el resultado de esas características (representación) sino también las características en sí. Este enfoque se conoce como aprendizaje de representación. Nuevamente, es mucho mejor si el algoritmo aprende características por sí mismo con una mínima intervención humana.

Al diseñar estos algoritmos, nuestro objetivo suele ser separar los factores de variación. Ahora, estos factores no siempre se observan directamente, pueden ser factores no observados que también pueden afectar nuestro algoritmo. Ahora, por supuesto, puede ser difícil extraer características abstractas de alto nivel de datos sin procesar, como el acento del hablante en caso de reconocimiento de voz, ya que estos pueden identificarse solo mediante la comprensión sofisticada de los datos a nivel humano.

Por otro lado, el aprendizaje profundo o Deep Learning puede resolver este problema en el aprendizaje de la representación introduciendo la representación que se expresa en términos de otra representación más simple. Pues en términos simples, el aprendizaje profundo es un subconjunto específico de Machine Learning.

Importancia

El aprendizaje profundo es importante por una razón y es que gracias a este tipo de algoritmo hemos podido lograr una precisión útil y significativa en las tareas que importan.

El aprendizaje automático se ha utilizado para la clasificación de imágenes y texto durante décadas, pero tuvo dificultades para cruzar el umbral: hay una precisión básica que los algoritmos deben tener para funcionar en entornos empresariales. Deep Learning finalmente nos permite cruzar esa línea en lugares que antes no podíamos.

La visión por computadora es un gran ejemplo de una tarea que Deep Learning ha transformado en algo realista para aplicaciones empresariales. El uso de Deep Learning para clasificar y etiquetar imágenes no solo es mejor que cualquier otro algoritmo tradicional: está comenzando a ser mejor que los humanos reales.

Facebook  por ejemplo, ha tenido un gran éxito al identificar rostros en fotografías mediante el uso de Deep Learning. No es solo una mejora marginal, sino un cambio de juego. En una prueba esto se hizo evidente luego de que se mostrara dos fotos distintas de una misma persona. Cuando se le preguntó al algoritmo si se trataba de la misma persona este obtuvo un porcentaje de acierto del 97% mientras que las personas que fueron sometidas a la misma prueba solo acertaron el 96%.

Google ahora está utilizando el aprendizaje profundo para administrar la energía en los centros de datos de la compañía. Han reducido sus necesidades de energía para enfriamiento en un 40%. Eso se traduce en una mejora de aproximadamente el 15% en la eficiencia del uso de energía para la empresa y cientos de millones de dólares en ahorros.

El aprendizaje profundo es importante porque finalmente hace que estas tareas sean accesibles: trae cargas de trabajo previamente irrelevantes al ámbito del aprendizaje automático. Estamos en la cúspide de desarrolladores y líderes empresariales que comprenden cómo pueden usar Machine Learning para impulsar los resultados comerciales, y tener más tareas disponibles a tu alcance debido a Deep Learning transformará la economía en las próximas décadas.

Tendencias Históricas

Uno de los hechos que debes saber es que el aprendizaje profundo no es una tecnología nueva, se remonta a la década de 1940. Pero parece ser nuevo, porque fue relativamente impopular durante varios años y es por eso que analizaremos algunos de los hechos y tendencias históricos para comprender su origen.

Ha habido tres oleadas de desarrollo: aprendizaje profundo conocido como cibernética (1940-60), aprendizaje profundo conocido como conexionismo (1980-90) y la ola actual bajo el nombre de aprendizaje profundo (2006-presente).

La cibernética de la primera ola comenzó con el desarrollo de teorías del aprendizaje biológico y la implementación de los primeros modelos, como el perceptrón, que permitieron el entrenamiento de una sola neurona. La segunda ola comenzó con el enfoque conexionista con propagación hacia atrás para entrenar una red neuronal con una o dos capas ocultas. La ola actual y la tercera comenzaron alrededor de 2006.