Introducción al Deep Learning

Si hace unas semanas hablábamos de la Inteligencia Artificial, hoy queremos introducir y hablar sobre el término Deep Learning, muy relacionado con la IA. Para hablar de ello, hay que hablar del contexto de la IA y explicar varios conceptos importantes.

Ya hemos comentado en otras entradas de blog que el intentar acotar y definir el término de Inteligencia Artificial puede resultar un poco complicado y ambiguo, pero, si hubiera que escoger una definición práctica y clara sería la siguiente:

“La inteligencia artificial es una subdisciplina del campo de la Informática que busca la creación de máquinas que puedan imitar comportamientos inteligentes”

Una vez escogida la definición hay que plantearse la siguiente pregunta:

¿Qué tipos de Inteligencia Artificial existen?

• Débil: poseen inteligencia artificial débil aquellos dispositivos que pueden cumplir con un número muy limitado de tareas. Por ejemplo, es probable que un robot que se ha diseñado para levantar los brazos sea incapaz de poder cruzarlos.
• Fuerte: la inteligencia artificial fuerte es aquella que, instalada en un dispositivo, es capaz de aplicarse a una gran variedad de problemas y dominios diferentes.

En la actualidad, y aunque la tecnología avanza a pasos agigantados, todos los sistemas de IA que existen o que conocemos se clasifican dentro del primer grupo. Tomando la definición de IA que hemos nombrado anteriormente, hay que destacar la acción imitar comportamientos inteligentes ¿Por qué? Porque es importante para entender los distintos conceptos que explicaremos más adelante.

La acción de imitar no significa que implique un comportamiento cognitivo. Es decir, cuando en una fábrica se programa un brazo robótico para que éste realice un movimiento de recogida de materiales, en principio no resultaría muy inteligente. Y esto es así porque ha tenido que ser programado previamente por un ser humano, pero, teniendo en cuenta la definición de IA utilizada sí que sería considerado como inteligente o, por lo menos, aparentemente inteligente.

Sin embargo, lo que más define a algo como un agente inteligente es su capacidad de aprendizaje, y es aquí donde entra en juego otro concepto importante para entender el Deep Learning, y es el Machine Learning.

¿Qué es el Machine Learning?

Traducido al español como Aprendizaje Automático, es la rama del campo de la Inteligencia Artificial, que busca como dotar a las máquinas de capacidad de aprendizaje (entendido este como la generalización de un conocimiento a partir de un conjunto de experiencias)

Por su parte, el aprendizaje puede dividirse en tres grupos diferentes:

• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje reforzado

Lo importante del Machine Learning es saber distinguir entre dos escenarios distintos. Por ejemplo: es muy distinto programar una máquina para que pueda moverse a programar esa misma máquina para que aprenda a moverse. Si tomamos el ejemplo del reconocimiento facial, no es lo mismo programar una máquina para que distinga los elementos de una cara que hacerlo de tal manera que aprenda qué es una cara. Dentro del Machine Learning, encontramos muchas técnicas que se utilizan para cubrir diferentes tipos de aplicaciones: árboles de decisión, modelos de regresión, modelos de clasificación, técnicas de caracterización (entre otras muchas) Sin embargo, de entre todas ellas hay que destacar la de las redes neuronales, que la que le ha dado fama y popularidad al Machine Learning durante la última década.

¿Qué es lo más interesante de las redes neuronales?

Son capaces de aprender de forma jerarquizada. Esto significa que la información se aprende por niveles: en las primeras capas se aprenden conceptos muy básicos como qué es un diente, un labio, una nariz, un ojo…y en las posteriores capas se usa lo aprendido previamente para aprender conceptos más abstractos, como una cara, un cuerpo humano…Esto hace que, a medida que añadimos más capas, la información que se aprende es cada vez más abstracta y, por ello, más interesante.

Tal vez los lectores se estén preguntando cuántas capas se pueden añadir. La respuesta es que no hay límite de capas. Además, la tendencia dice que estos algoritmos de información van a ir añadiendo más y más niveles y capas de datos. De esta manera se convertirán en algoritmos muy complejos. Es aquí donde aparece el término Deep Learning o Aprendizaje Profundo, que hace referencia a todos estos algoritmos tan complejos que hemos mencionado.

¿Son necesarias técnicas tan complejas como estas? La respuesta es que sí, y prueba de ello es su creciente demanda y popularidad en los últimos años. Hay que ser conscientes de que estas técnicas entrenan y aprenden a partir de los datos y, actualmente, nos encontramos inmersos en la era de la Información (en la del Big Data para ser más exactos)

Debido a varios factores importantes (digitalización, abaratamiento en los sistemas de almacenamiento, cambio de mentalidad de la sociedad a la hora de apreciar el valor de los datos) cada vez se acumulan y almacenan más datos. Las técnicas de Deep Learning son imprescindibles para los sistemas Big Data desde que extraen los datos y los transforman en conocimiento.