Los campos de machine learning y deep learning a veces parecen indistinguibles uno de otro. Pero se diferencian en que el segundo hace gala de una mayor sofisticación.
La inteligencia artificial se ha convertido en el nuevo término fetiche del sector tecnológico. Al menos parece que esto va a ser así durante 2017, aunque puede que el magnetismo de la palabra vaya más allá. Al margen del léxico lo cierto es que la tecnología ofrece grandes oportunidades. Pero lo hace en formas más concretas que la amplitud que representa el concepto de inteligencia artificial.
Dos de los términos que últimamente suenan asociados a inteligencia artificial son machine learning y deep learning. Ambos tienen su traducción en castellano (aprendizaje automático y aprendizaje profundo), aunque no siempre se utilice. Son dos formas de inteligencia artificial –una tecnología que funciona desde hace décadas– y que se engloban una a la otra.
Se puede decir que el machine learning tiene una vertiente que se denomina deep learning. Las dos tecnologías hacen referencia a sistemas capaces de aprender por sí solos. La diferencia entre ambos estriba en el método de aprendizaje. El de deep learning es más complejo y también más sofisticado. Es también más autónomo, lo que quiere decir que una vez programado el sistema la intervención del ser humano es mínima.
Machine learning o aprendizaje automático
En realidad el nombre de la tecnología resulta bastante preciso. Aprender automáticamente es la característica principal que diferencia a estos sistemas de otros menos avanzados. Aquí se le proporciona a un algoritmo un conjunto de reglas para que las aplique cuando se encuentre con los datos pertinentes. Pero el software tiene la capacidad de adaptar dichas reglas y crear otras nuevas para mejorar su tasa de acierto.
A un sistema que busque identificar perros, por ejemplo, se le puede pedir que examine ciertos patrones : si es un cuadrúpedo, si tiene pelo, si tiene morro, dos ojos y orejas. Toda una serie de requisitos que normalmente cumplen los perros. A partir de ahí se entrena al algoritmo. Se le introduce una gran cantidad de imágenes de perros y otros animales, indicando en cada caso si es o no un cánido. Con esto se logra que el software invente nuevas reglas para sí mismo, con el fin de facilitarse el descubrimiento de perros en fotografías desconocidas.
Deep learning o aprendizaje profundo
La diferencia entre machine learning y deep learning es que la segunda técnica leva el aprendizaje a un nivel más detallado. El sistema en este caso v a por capas o unidades neuronales. De hecho el funcionamiento de estos algoritmos trata de imitar el del cerebro.
En deep learning cada capa procesa la información y arroja un resultado que se revela en forma de ponderación. Es decir, cuando una unidad de un sistema analice una foto en busca de perros concluirá que dicha imagen es en un 78% de probabilidad un perro y en un 22% no lo es.
La segunda capa que analice la imagen combinará el resultado obtenido por la primera capa con su propio juicio. De tal forma que la ponderación se modificará y se trasladará a la tercera capa , que también usará este dato para sacar su propia conclusión. Así sucesivamente y en muchas ocasiones (hay algoritmos que usan más de 100 capas).
Lo que hace este sistema es reducir el margen de error y, por tanto, aumentar la precisión de las conclusiones. ¿Cómo se entrena? Introduciendo una cantidad exorbitante de información, para que sus ponderaciones se vayan puliendo ellas solas. Así, no importará que al software se le presente una foto con niebla y un perro cojo. Ya tiene claro lo que es un perro y lo que no.
Imágenes: Rick Payette y National Institute of Health (NIH)
