Desde mediados del siglo pasado, la ciencia sueña con hacer pensar a las máquinas. Hoy estamos un poco más cerca de hacer este sueño realidad gracias al machine learning y al deep learning.
En 1956, John McCarthy definió por primera vez la inteligencia artificial (IA) como la ciencia y la ingeniería para hacer máquinas inteligentes, sobre todo programas de computación inteligentes. Aquellos primeros investigadores imaginaban una IA robusta, una máquina con capacidades similares a las de un cerebro humano. Pero esta strong AI todavía está lejos de hacerse realidad.
Desde entonces, el número de técnicas y tecnologías aplicadas de IA (conocidas en inglés como weak o narrow AI) no ha dejado de crecer. Aquí es donde entra en juego el machine learning, que ha ocupado buena parte del desarrollo de los últimos 40 años, y, dentro de este, una tecnología de aprendizaje automático conocida como deep learning.
¿Qué es machine learning o aprendizaje automático?
El desarrollo de las tecnologías de machine learning se ha producido, sobre todo, a partir de 1980. Sin embargo, el concepto fue definido ya en 1959 por el ingeniero de IBM Arthur L. Samuel. Hoy, la compañía informática define el aprendizaje automático (que es como se conoce en castellano) como una rama de la inteligencia artificial que se centra en el uso de datos y algoritmos para imitar la forma en que aprenden los humanos e ir mejorando su precisión de manera gradual.
A grandes rasgos, este conjunto de tecnologías usa algoritmos que son entrenados a través de diferentes métodos estadísticos para analizar datos, aprender de ellos y luego elaborar predicciones o dar sugerencias de posibles soluciones. El machine learning puede enfocarse de diferentes maneras, como el aprendizaje supervisado (el algoritmo recibe datos ya etiquetados y el tipo de respuesta que se espera), el no supervisado (el algoritmo recibe un conjunto de datos sin etiquetar y debe encontrar sus propios patrones) y el aprendizaje por refuerzo (el algoritmo aprende del entorno mediante refuerzos positivos o negativos).
¿Qué es deep learning?
De forma general, el machine learning implica el desarrollo de un modelo algorítmico que después es entrenado con datos. Existen muchos modelos diferentes, como los árboles de decisiones, las redes bayesianas y las redes neuronales. Dentro de estas últimas se agrupan un conjunto de técnicas que buscan el aprendizaje con el ejemplo y que son capaces de reconocer problemas y soluciones complejas. Es el llamado deep learning.
Desde IBM definen el deep learning como una red neuronal con tres o más capas que intenta simular el comportamiento del cerebro humano para aprender de grandes cantidades de datos. Las diferentes capas se estructuran como si fueran neuronas de un cerebro humano y alcanzan tal nivel de precisión y de capacidad de procesamiento de datos que son capaces de reconocer imágenes o procesar el lenguaje natural humano.
Deep learning versus machine learning
El aprendizaje automático es un conjunto de tecnologías de inteligencia artificial dentro de las cuales se encuentran las redes neuronales, que a su vez forman el núcleo de las tecnologías de deep learning. Es decir, machine learning y deep learning no se encuentran al mismo nivel, sino que el segundo forma parte del primero. Aun así, es posible compararlos y establecer una serie de diferencias.
El uso de los algoritmos
Mientras el machine learning utiliza algoritmos para analizar datos, aprender y generar resultados o tomar decisiones con base en lo aprendido, el deep learning estructura los algoritmos en capas de redes neuronales que le ayudan a aprender y generar resultados más precisos.
El uso de los datos
Los algoritmos de aprendizaje automático usan datos estructurados y etiquetados para sus predicciones. Esto no quiere decir que no puedan trabajar a partir de datos no estructurados, pero para hacerlo necesitan hacer una serie de procesos previos para dotar de estructura a la información. Los algoritmos de deep learning eliminan parte de estas necesidades de preprocesado, ya que pueden trabajar con datos no estructurados y extraer características de forma automatizada o independiente.
Por ejemplo, para que un algoritmo de machine learning diferencie los animales de una serie de fotografías, los ingenieros humanos deben decirle en qué características fijarse (por ejemplo, el hocico). Sin embargo, los algoritmos de aprendizaje profundo pueden extraer por sí mismos qué características son necesarias para diferenciar las fotografías entre sí y hacerlo cada vez con más precisión.
Cuestión de precisión
Continuando con el ejemplo de los animales, un algoritmo de aprendizaje automático puede ser muy preciso a la hora de identificar un ratón. Solo tenemos que decirle las características básicas de uno de estos animales (por ejemplo, rabo alargado de tamaño considerable y sin pelo). A partir de los requisitos que normalmente cumplen los ratones, el algoritmo desarrolla sus propias reglas. En cambio, ¿podrá reconocer a un ratón al que le falta la cola?
Los algoritmos de deep learning funcionan por capas que reducen el margen de error. Cada capa emite su propio juicio y lo combina con el resultado de la capa anterior. Cuanta más información reciba y procese, más precisión logrará. Llegará a un punto en el que sea capaz de reconocer un ratón sin cola, borroso y escondido en una esquina de la fotografía.
Deep learning: ¿la tecnología del futuro?
El aprendizaje profundo todavía está lejos de ser aquella IA robusta que imaginaban los pioneros de esta tecnología. Aunque sí es el mayor avance en lo que llevamos de siglo XXI. Hoy es una de las tecnologías de IA más utilizadas y en ella están puestas grandes esperanzas para el futuro.
Yoshua Bengio, Geoffrey Hinton y Yann LeCun, ganadores del 2018 Turing Award, señalaron en un artículo reciente que el deep learning todavía está lejos de imitar el funcionamiento de un cerebro animal. Aun así, dibujan un futuro cercano en el que estos algoritmos podrán aprender sin ayuda de los humanos, serán flexibles a los cambios en su entorno y podrán resolver una serie de problemas reflexivos y cognitivos.
El deep learning no solo es futuro, sino que es presente de la inteligencia artificial. Aunque a veces pasen desapercibidos, en nuestro día a día nos cruzamos con muchos ejemplos de uso de aprendizaje profundo:
- Google utiliza multitud de aplicaciones deep learning en sus productos. El sistema de reconocimiento de voz del Asistente de Google y el análisis de imágenes de Google Fotos para reconocer caras y objetos son ejemplos de aprendizaje profundo.
- Las compañías financieras como bancos o seguros también utilizan el deep learning para automatizar tareas de detección de fraude y mejorar la ciberseguridad de sus productos digitales.
- La conducción automática, aunque todavía está dando sus primeros pasos, también se basa en el aprendizaje profundo. Los vehículos de Tesla, por ejemplo, usan el deep learning para resolver multitud de problemas. Su sistema de piloto automático implica el uso de 48 redes neuronales distintas.
- La medicina también está sacando partido del aprendizaje profundo. Cada vez más fármacos y terapias se experimentan in silico. Es decir, se prueban de forma simulada en ordenadores. En muchos de estos procesos, el deep learning juega un papel clave.
Esta lista podría alargar la lectura durante horas y para que fuese precisa habría que actualizarla con mucha regularidad. El futuro de la IA camina, por ahora, de la mano del deep learning, un conjunto de neuronas artificiales que cada vez nos acercará más al sueño de las máquinas pensantes.
Por Juan F. Samaniego
Imágenes | Unsplash/Fakurian Design, Josh Riemer, Possessed Photography
