Sabias Que Monitor
Deep Learning: ¿Qué es? ¿Cómo funciona?
Publicación:30-11-2021
TEMA: #Tecnologia
Deep Learning se ha convertido en una expresión muy habitual.
La escuchamos al hablar de juegos, de hardware, de servicios… en fin, de todo. En pocos años parece que el aprendizaje profundo se ha convertido en el perejil de todas las salsas, y evidentemente hay razones para que así sea. Ahora bien, aunque se habla de esta rama de la inteligencia artificial (pues eso es Deep Learning, una de la múltiples tecnologías en las que se apoya la IA), para muchas personas sigue siendo un concepto opaco. Intentemos profundizar un poco en el mismo para aclararlo.
Para hablar de Deep Learning, primero tenemos que tener claro el concepto de aprendizaje automático, para lo que a su vez necesitamos tener muy claro el proceso de aprendizaje, y esto no es algo tan sencillo como pudiera parecer en un primer momento. Porque, ¿qué responderías tú si te pregunto qué es aprender? Vamos a preguntarle a la RAE, a ver qué nos dicen ellos:
Aprendizaje: Adquirir el conocimiento de algo por medio del estudio o de la experiencia.
Aprender: Acción y efecto de aprender algún arte, oficio u otra cosa.
El matiz interesante viene dado por el final de la primera definición, «estudio o aprendizaje». Y es que no es lo mismo aprenderse la lista de los reyes gogos que aprender a silbar, pese a que ambas acciones se engloban en el mismo verbo. ¿Memorizar forma parte de aprender? Lo cierto es que sí, pero no podemos hablar de aprendizaje automático si lo interpretamos de esa manera. Es más, en realidad la memorización es una disciplina en la que lo ordenadores ya nos llevan una ventaja espectacular. Hoy en día podemos llevar en el bolsillo un disco duro externo capaz de memorizar-almacenar muchísima más información que cualquiera de nosotros.
Entonces, esas definiciones no nos permiten abordar de una manera clara el concepto de aprendizaje automático y, por ende, el de Deep Learning. Sin embargo, si seguimos revisando los resultados de la RAE, encontramos que mientras que la tercera acepción de aprender nos lleva más del lado de la memorización:
Fijar algo en la memoria.
La tercera acepción de aprendizaje nos lleva más «hacia el otro lado», es decir, hacia el de aprender a silbar:
Adquisición por la práctica de una conducta duradera.
Interesante esta definición, pues sin duda es la que más nos acerca al aprendizaje automático. Sin embargo, también he querido reproducir la anterior porque, evidentemente, para poder aprender, en su conjunto, son necesarias tanto la memorización como la capacitación a través de la práctica.
Así, cuando hablamos de Machine Learning o aprendizaje automático, lo que planteamos es que las máquinas sean capaces de aprender llevar a cabo determinados procesos. Y ahora es posible que alguien se plantee que eso es lo que llevan haciendo las máquinas toda su existencia: llevar a cabo determinados procesos. La diferencia es que, sin la IA, dichas máquinas han recibido las instrucciones necesarias para desarrollar esa tareas. No se ha producido aprendizaje alguno, simplemente han sido programadas.
Por lo tanto, cuando hablamos de aprendizaje automático, hablamos de sistemas inteligentes, capaces de analizar datos, identificar patrones, extraer conclusiones y sumar este conocimiento para el siguiente ciclo. Así, tras un entrenamiento en el que la IA ya haya analizado un volumen de datos suficiente como para extraer conclusiones valiosas y fiables, podrá ser puesto al servicio de los usuarios para el fin para el que haya sido entrenado, ya sea realizar profundos análisis de inversiones bursátiles, calcular la trayectoria óptima para una misión espacial o recomendarte qué ver a continuación en Netflix.
Entonces, al hablar de Machine Learning nos encontramos con un sistema de aprendizaje por refuerzo, supervisado, y que es capaz de «autoprogramarse» en base a la experiencia previa, pero también, y especialmente, a los conjuntos de datos (datasets) que son empleados para alimentar dichos algoritmos durante su formación. Dicho de otra manera, hasta que el sistema no cuente con las suficientes muestras sobre lo que es «sí» y lo que es «no», lo que es «arriba» y lo que es «abajo», lo que es «blanco» y lo que es «negro», no tendrá manera de aprender. Y aquí es donde Deep Learning lo cambia todo.
Machine Learning vs Deep Learning
Como habrás deducido de lo anterior, Machine Learning necesita, durante su entrenamiento, una supervision en la que se le indique «esto sí», «esto no» y así hasta que el sistema ya cuenta con las suficientes muestras, en uno y en otro sentido, o en todos los que sean posibles, no será posible emplearlo. Sin embargo, Deep Learning se encuentra en el grupo de los no supervisados, es decir, que no requiere de la ingesta masiva de datos previamente clasificados. Tan solo serán necesarias unas referencias básicas, y a partir de ese punto el sistema estará listo para empezar a analizar y aprender.
Deep Learning pretende reproducir el modelo de aprendizaje humano, en el que podemos contar con alguna referencia sobre cómo llevar a cabo una tarea, pero evidentemente no alimentamos nuestro cerebro con decenas o cientos de miles de datos de experiencias previas al respecto. Sigue existiendo el entrenamiento, claro, pero solo en lo relativo a cómo procesar la información de entrada, A partir de ese punto, el sistema debe ser capaz de aprender por sí mismo.
¿Y como emular el modelo de aprendizaje humano? Pues buscando una aproximación al funcionamiento de nuestro cerebro, de modo que para el funcionamiento de Deep Learning se emplean las llamadas redes neuronales artificiales entrelazadas entre sí, una réplica a escala de nuestro sistema cognitivo, mediante un sistema de múltiples capas de manera secuencial, es decir, en cascada. Y es precisamente por esa profundidad que proporcionan las capas de las redes neuronales, por lo que recibe el nombre de Deep Learning.
¿Y por qué todas esas capas? Porque cada capa tiene una especialización, y las capas pueden iterar tantas veces como sea necesario con los datos de entrada hasta extraer una conclusión. Todas estas iteraciones y este paso entre capas ocurre en una especie de «caja negra», en la que el responsable de ese desarrollo de Deep Learning no participa. Por eso se suele hablar de la capa de entrada (la que recibe los datos), la capa oculta (que comprende, en realidad, toda la profundidad del análisis de Deep Learning) y la capa de salida, que devuelve los resultados del proceso. Todo lo que ocurre en esa segunda capa, que aglutina todas la redes, es autónomo.
Al emular el funcionamiento del cerebro humano, Deep Learning es una tecnología muy adecuada para el análisis de datos no estructurados, es decir, de todo tipo de información, sin necesidad de que ésta se ajuste a una estructura concreta. Por ejemplo, al hablar de los sistemas de conducción autónoma, es imprescindible que la IA que los gestiona sepa interpretar todas las imágenes capturadas por cámaras y sensores, se den las condiciones ambientales y de entorno que se den. Deep Learning es imprescindible en este tipo de contextos.
Lo mismo ocurre, por ejemplo, a la hora de analizar el sonido. Por ejemplo, cuando un asistente de voz recibe una orden, ésta puede ser emitida de diversas maneras, y el sistema debe ser capaz de analizar la frase para averiguar su significado, del mismo modo que si le preguntamos a Google por fotos de gatos. Comandos y sistema de proceso de los mismos que son naturales para el ser humano, y que Deep Learning lleva a la IA.
Y como indicaba al principio, Deep Learning ya es una realidad desde hace algunos años, y como seguramente ya habrás deducido (si es que no lo sabías), interactúas con sistemas basados en el aprendizaje profundo de manera más que habitual. Por ejemplo, cuando te hablamos de que hay nuevos juegos compatibles con NVIDIA DLSS, hablamos de títulos en los que la imagen es renderizada a un determinado tamaño, y luego es reescalada a mayor tamaño gracias al Deep Learning (de hecho, DLSS son las siglas de Deep Learning Super Sampling).
Aunque las distintas ramas de la IA tienen usos muy diversos, de un tiempo a esta parte la preferencia sobre los sistemas no supervisados no ha dejado de crecer, y a día de hoy el futuro de Deep Learning es más que prometedor, razón por la cual muchos centros de formación ofrecen cursos específicos sobre esta rama. Y es que su presente ya es fascinante, pero su futuro puede llegar a serlo todavía mucho más.
« Especial »