¿Qué es el aprendizaje profundo?

La gente aprende de la experiencia. Cuanto más ricas sean nuestras experiencias, más podremos aprender. En la disciplina de inteligencia artificial (IA) conocida como DEEP LEARNING, se puede decir lo mismo de las máquinas impulsadas por hardware y software de IA.
Las experiencias a través de las cuales las máquinas pueden aprender se definen por los datos que adquieren, y la cantidad y calidad de los datos determinan cuánto pueden aprender.

El DEEP LEARNING es una rama del aprendizaje automático . A diferencia de los algoritmos tradicionales de aprendizaje automático, muchos de los cuales tienen una capacidad finita para aprender sin importar la cantidad de datos que adquieran, los sistemas de aprendizaje profundo pueden mejorar su rendimiento con acceso a más datos: la versión de máquina de más experiencia.

Una vez que las máquinas han adquirido suficiente experiencia a través del aprendizaje profundo, pueden ponerse a trabajar para tareas específicas como conducir un automóvil, detectar malezas en un campo de cultivo, detectar enfermedades, inspeccionar maquinaria para identificar fallas, etc.

 

 

¿Cómo funciona el aprendizaje profundo?

Las redes DEEP LEARNING aprenden al descubrir estructuras intrincadas en los datos que experimentan. Al construir modelos computacionales que se componen de múltiples capas de procesamiento, las redes pueden crear múltiples niveles de abstracción para representar los datos.

Por ejemplo, un modelo de aprendizaje profundo conocido como red neuronal convolucional se puede entrenar utilizando grandes cantidades (como en millones) de imágenes, como las que contienen gatos.

 Este tipo de red neuronal normalmente aprende de los píxeles contenidos en las imágenes que adquiere. Puede clasificar grupos de píxeles que son representativos de las características de un gato, con grupos de características como garras, orejas y ojos que indican la presencia de un gato en una imagen.

El aprendizaje profundo es fundamentalmente diferente del aprendizaje automático convencional. En este ejemplo, un experto en el dominio necesitaría dedicar un tiempo considerable a diseñar un sistema de aprendizaje automático convencional para detectar las características que representan a un gato. Con el aprendizaje profundo, todo lo que se necesita es proporcionar al sistema una gran cantidad de imágenes de gatos, y el sistema puede aprender de forma autónoma las características que representan a un gato.

Para muchas tareas, como visión por computadora, reconocimiento de voz, traducción automática y robótica, el rendimiento de los sistemas de DEEP LEARNING supera  el de los sistemas de aprendizaje automático convencionales. Esto no quiere decir que la creación de sistemas de DEEP LEARNING sea relativamente fácil en comparación con los sistemas de aprendizaje automático convencionales.

 

 

¿Por qué es importante el aprendizaje profundo?

Vivimos en una época de oportunidades sin precedentes, y la tecnología DEEP LEARNING puede ayudarnos a lograr nuevos avances.
 El aprendizaje profundo ha sido fundamental en el descubrimiento de exoplanetas y fármacos novedosos y en la detección de enfermedades y partículas subatómicas. Está aumentando fundamentalmente nuestra comprensión de la biología, incluida la genómica, la proteómica, la metabolómica, y más.

También vivimos en una época en la que nos enfrentamos a desafíos implacables. El cambio climático amenaza la producción de alimentos y algún día podría conducir a guerras por recursos limitados. El desafío del cambio ambiental se verá exacerbado por una población humana en constante crecimiento, que se espera que alcance los nueve mil millones en 2050. El alcance y la escala de estos desafíos requieren un nuevo nivel de inteligencia que es posible gracias al DEEP LEARNING.

Hoy en día, la combinación de cámaras como ojos artificiales y redes neuronales que pueden procesar la información visual capturada por esos ojos está provocando una explosión en las aplicaciones de inteligencia artificial impulsadas por datos. Así como la visión jugó un papel crucial en la evolución de la vida en la tierra, el aprendizaje profundo y las redes neuronales mejorarán las capacidades de los robots. Cada vez más, podrán comprender su entorno, tomar decisiones autónomas, colaborar con nosotros y aumentar nuestras propias capacidades.

 

 

Ejemplos de casos de uso en DEEP LEARNING

 

Robótica

Muchos de los desarrollos recientes en robótica han sido impulsados por avances en inteligencia artificial y aprendizaje profundo. Por ejemplo, la IA permite a los robots detectar y responder a su entorno. Esta capacidad aumenta la gama de funciones que pueden realizar, desde navegar por los pisos del almacén hasta clasificar y manipular objetos que son desiguales, frágiles o mezclados. Algo tan simple como recoger una fresa es una tarea fácil para los humanos, pero ha sido muy difícil de realizar para los robots. A medida que avanza la IA, ese progreso mejorará las capacidades de los robots.
Los desarrollos en IA significan que podemos esperar que los robots del futuro se utilicen cada vez más como asistentes humanos. No solo se utilizarán para comprender y responder preguntas, como se utilizan algunas en la actualidad. También podrán actuar con comandos de voz y gestos, incluso anticipar el próximo movimiento de un trabajador. Hoy en día, los robots colaborativos ya trabajan junto con los humanos, y los humanos y los robots realizan cada uno tareas separadas que se adaptan mejor a sus fortalezas.

 

Agricultura

La IA tiene el potencial de revolucionar la agricultura. Hoy en día, el aprendizaje profundo permite a los agricultores implementar equipos que pueden ver y diferenciar entre plantas de cultivo y malezas. Esta capacidad permite a las máquinas de desmalezar rociar herbicidas selectivamente sobre las malezas y dejar intactas otras plantas. Las máquinas agrícolas que utilizan la visión por computadora habilitada para el aprendizaje profundo pueden incluso optimizar plantas individuales en un campo mediante la pulverización selectiva de herbicidas, fertilizantes, fungicidas, insecticidas y productos biológicos. Además de reducir el uso de herbicidas y mejorar la producción agrícola, el aprendizaje profundo se puede extender aún más a otras operaciones agrícolas, como la aplicación de fertilizantes, el riego y la cosecha.

 

Imágenes médicas y asistencia sanitaria

El aprendizaje profundo ha sido particularmente efectivo en imágenes médicas, debido a la disponibilidad de datos de alta calidad y la capacidad de las redes neuronales convolucionales para clasificar imágenes. Por ejemplo, el aprendizaje profundo puede ser tan eficaz como un dermatólogo para clasificar los cánceres de piel, si no más. Varios proveedores ya han recibido la aprobación de la FDA para algoritmos de aprendizaje profundo con fines de diagnóstico, incluido el análisis de imágenes para oncología y enfermedades de la retina. El aprendizaje profundo también está logrando avances significativos en la mejora de la calidad de la atención médica al predecir eventos médicos a partir de datos de registros médicos electrónicos.

 

El futuro del aprendizaje profundo

 

 

Hoy en día, existen varias arquitecturas de redes neuronales optimizadas para ciertos tipos de entradas y tareas. Las redes neuronales de convolución son muy buenas para clasificar imágenes. Otra forma de arquitectura de aprendizaje profundo utiliza redes neuronales recurrentes para procesar datos secuenciales. Tanto los modelos de redes neuronales recurrentes como los de convolución realizan lo que se conoce como aprendizaje supervisado, lo que significa que deben recibir grandes cantidades de datos para aprender. En el futuro, los tipos más sofisticados de IA utilizarán el aprendizaje no supervisado. Se está dedicando una cantidad significativa de investigación a la tecnología de aprendizaje no supervisado y semisupervisado.

El aprendizaje por refuerzo es un paradigma ligeramente diferente al aprendizaje profundo en el que un agente aprende por ensayo y error en un entorno simulado únicamente a partir de recompensas y castigos. Las extensiones de aprendizaje profundo en este dominio se denominan aprendizaje por refuerzo profundo (DRL). Ha habido un progreso considerable en este campo, como lo demuestran los programas DRL que vencieron a los humanos en el antiguo juego de GO.

Diseñar arquitecturas de redes neuronales para resolver problemas es increíblemente difícil, hecho aún más complejo con muchos hiperparámetros para ajustar y muchas funciones de pérdida para elegir para optimizar. Ha habido mucha actividad de investigación para aprender buenas arquitecturas de redes neuronales de forma autónoma. Aprender a aprender, también conocido como metaaprendizaje o AutoML, progresa constantemente.

Las redes neuronales artificiales actuales se basaron en la comprensión de la década de 1950 de cómo los cerebros humanos procesan la información. La neurociencia ha logrado un progreso considerable desde entonces, y las arquitecturas de aprendizaje profundo se han vuelto tan sofisticadas que parecen exhibir estructuras como celdas de cuadrícula, que están presentes en los cerebros neuronales biológicos utilizados para la navegación. Tanto la neurociencia como el aprendizaje profundo pueden beneficiarse mutuamente de la polinización cruzada de ideas, y es muy probable que estos campos comiencen a fusionarse en algún momento.

Ya no usamos computadoras mecánicas y, en algún momento, tampoco usaremos computadoras digitales. Más bien, utilizaremos una nueva generación de computadoras cuánticas. Ha habido varios avances en la computación cuántica en los últimos años y los algoritmos de aprendizaje ciertamente pueden beneficiarse de la increíble cantidad de computación disponible que proporcionan las computadoras cuánticas. También podría ser posible utilizar algoritmos de aprendizaje para comprender el resultado de las computadoras cuánticas probabilísticas. El aprendizaje automático cuántico es una rama muy activa del aprendizaje automático y, con la primera Conferencia internacional sobre aprendizaje automático cuántico programada para 2018, ha tenido un buen comienzo.

En a segunda parte vamos a estar realizando nuestros primeros pasos con DEEP LEARNING.