Analítica web
Reflexiones desde el mercado español de Analítica Web

Deep learning, más allá del machine learning

Se lee en 3 minutos

El machine learning es la keyword de moda. Esta tecnología, aunque lleva años existiendo, se está convirtiendo, ahora, en una de las piedras angulares de la transformación digital que se está produciendo. Y es que, alimentada con toda la potencia del Big Data actual y gracias a la bajada de los costes computacionales y de almacenamiento, ha hecho posible lo que antes era poco menos que una utopía: crear máquinas con inteligencia artificial capaces de aprender solas y de encargarse de las necesidades del día a día del ser humano.

Por si esto fuera poco, en pleno auge del machine learning, un nuevo avance ha llegado para mejorarlo. Estamos hablando del deep learning (aprendizaje profundo).

¿Qué es el deep learning y en qué se diferencia del machine learning?

Para entender lo que es el deep learning, primero hay que tener claro qué es el machine learning. Por si no lo recordáis, el machine learning es el conjunto de algoritmos que, una vez entrenados con ejemplos, sacan conclusiones por sí mismos ante nuevas situaciones o predicen resultados. Es decir, “aprenden” de la experiencia. Si queréis entrar en más detalle, mi compañera Jana os hablaba de ello en este post.

El deep learning es una rama del machine learning que se diferencia de la forma clásica del aprendizaje automático en que los algoritmos no tienen por qué aprender mediante ejemplos de entrenamiento proporcionados por el ser humano, sino que son capaces de aprender por sí mismos a través de los datos que reciben (entrenamiento no supervisado). Esto se asemeja mucho al funcionamiento de un cerebro humano y es considerado la base de la Inteligencia Artificial.

¿Cómo funciona el deep learning?

El deep learning funciona representando el mundo como una jerarquía de conceptos relacionados, con cada concepto definido en relación a conceptos más simples y representaciones más abstractas representadas en términos de otras menos abstractas. Para ello, usa redes neuronales artificiales, formadas por capas que particionan los datos originales en elementos que pueden procesar y reconocer, generando un output a partir de la suma de las conclusiones de las distintas capas. Pero, para entenderlo, lo mejor es usar un ejemplo.

Si quisiéramos identificar si en una imagen aparece un gato, utilizando machine learning clásico le diríamos que examine los patrones típicos de un gato, si tiene bigotes, rabo, pelo, orejas, cuatro patas, etc., y entrenaríamos al algoritmo pasándole una batería grande de imágenes para que decida si es un gato o no, corrigiéndolo en caso de error o reafirmándole en caso de acierto. De esta forma, el algoritmo se alterará por sí mismo (aprenderá) y será capaz de identificar un gato en futuras ocasiones.

Si usamos deep learning, en lugar de entrenar el algoritmo, este buscará por sí mismo los límites de la imagen e irá analizando las formas de la imagen de manera jerárquica encontrando los bigotes, las orejas, etc. Por último, decidirá cuáles de estas propiedades son las necesarias para llegar a la respuesta. De esta forma, puede equivocarse una vez, pero aprenderá de su error y si le llegan millones de datos, se auto-entrenará para no fallar.

Esto último es una de las desventajas del deep learning: necesita un número muy alto de datos para que el algoritmo tome decisiones correctas. Sin embargo, como el flujo de datos del que disponemos cada vez tiende a ser mayor, se convierte en una de sus grandes ventajas: siempre que le lleguen nuevas situaciones, irá mejorando de forma automática. Por el contrario, los algoritmos de machine learning clásicos se estabilizarán en un funcionamiento llegado un número de datos recibidos.

deeplearning_vs_machinelearning
Fuente: analyticsvidhya

El deep learning como palanca de transformación digital

Viendo el potencial del deep learning, es fácil imaginarse la importancia que va a tener de cara a la transformación digital. Google lo utiliza, ya, en sus algoritmos de reconocimiento de voz e imágenes, Apple en Siri, eBay lo ha incluido en su buscador para saber qué es lo que el usuario quiere realmente, aunque no sepa cómo buscarlo, los coches autónomos se basan en estos algoritmos, etc. Son algunos ejemplos de grandes compañías que lo han incorporado.

En el marketing digital, Amazon y Netflix lo usan para predecir lo que el usuario quiere comprar o ver, respectivamente, recomendándole lo que realmente necesita antes de que se haya percatado de esa necesidad. Esto deriva en una maximización de la inversión en publicidad. De hecho, la posibilidad de unir el dato omnichannel con los sistemas de deep learning aporta infinidad de opciones al marketing digital y a la optimización de la experiencia de usuario.

Y a vosotros, ¿qué se os ocurre?


*Fuente de la imagen destacada: Digital Doughnut

Escribe tu comentario

dieciseis − quince =

Navegar