¿Cuáles son los sectores productivos donde se extiende la utilización del Deep Learning? ¿Cuáles son los factores importantes al considerar una profundización o formación avanzada en Deep Learning? La tendencia general parece dar mucho valor a los enfoques integrales y a la visión práctica. El Aprendizaje Profundo se consolida como la gran objetivación de conocimientos adquiridos por los expertos y especialistas en Big Data y Data Science.

Algunos sondeos recientes (r-bloggers.com) parecen argumentar una amplia utilización del Deep Learning en la industria, así como en la academia e investigaciones científicas. En cuanto a las actividades económicas concretas donde el Aprendizaje Profundo ya cumple un papel importante están los transportes, las industrias farmacéuticas, las finanzas, el comercio y la formación.

En el ámbito estrictamente académico, el Deep Learning es utilizado en múltiples campos del conocimiento: Ciencias Sociales y Económicas, Medicina, así como en bioinformática, en genómica y en las tecnologías de la Información.

Cabe destacar que algunas encuestas reflejan la utilización del Deep Learning durante la construcción de distintas aplicaciones destinadas al procesamiento de imágenes, entiéndase segmentación, clasificación e identificación de distintos objetivos. Esta labor es una de las principales áreas donde el Deep Learning ha cosechado grandes éxitos.

Lo anterior es coherente con algunas de las acciones formativas más avanzadas en Aprendizaje Profundo, arribamos a un interés importante por las series temporales y el Aprendizaje no supervisado. Entre las voces expertas, por ejemplo, parte del equipo docente del Máster en Big Data y Data Science de la UNED (la formación en esta área más exitosa de entre las existentes en las universidades españolas), el interés por el Aprendizaje no supervisado se explica por su amplia aplicabilidad en múltiples sectores de la economía, la producción y la investigación.

PROGRAMACIÓN EN DATA SCIENCE

Otra cuestión del máximo interés en los desarrollos en Deep Learning son los lenguajes: R y Python. Estos dos lenguajes de programación se escogen entre las diferentes propuestas por varias razones: son gratuitos, son los más utilizados y se encuentran en prácticamente la totalidad de plataformas y servidores dedicados al Big Data y el Deep Learning. Como ya sabemos, Python es un lenguaje multienfoque que ofrece mucha versatilidad y facilidad en la lectura del código. Mientras que R ofrece un enfoque matemático. Las diferencias entre ambos lenguajes también marcan distinciones entre los perfiles profesionales. Consideramos ambas opciones perfectamente válidas y en este curso se entrega código en ambos lenguajes.

Es sabido que la programación en Data Science interesa a un espectro productivo muy amplio, no hablamos solo de matemáticos, informáticos o estadísticos. De ahí que el enfoque esencial o más valioso al buscar formación especializada en Deep Learning sea el integral: aquel que ofrece habilidades en Python, R y TensorFlow, por ejemplo.

Aunque también es cierto que la elección del lenguaje depende de las necesidades del proyecto o la investigación. Por ejemplo, R es una excelente opción en análisis estadísticos complejos (tiene sencillez en la estructuración de algoritmos, cantidad de librerías, etc.). Pero para requerimientos que no exijan un código tan complejo (desarrollo Web, scripting, etc.) Python es la mejor elección.

De forma general, diremos que un perfil profesional interesado o en proceso de formación en Big Data y Data Science encontrará en el Deep Learning la clave que permitirá aplicar todos sus conocimientos en el mundo real, bien sea en investigación o en alguno de los sectores productivos estratégicos donde los datos constituyen parte importante de la riqueza.

FORMARSE EN DEEP LEARNING

Así, en base a todo lo anterior, podríamos decir que la profundización en Deep Learning debe comenzar por los lenguajes que articulan la programación en Data Science (hemos nombrado R y Python). Para posteriormente incursionar en la Inteligencia Artificial, las Redes Neuronales y el Aprendizaje supervisado Versus Aprendizaje no supervisado.

En el ámbito concreto de las Ciencias Sociales, como es de esperar, hay un interés analítico y aplicativo en áreas como la Inteligencia Artificial. En medio de las preguntas sobre los cambios que estos paradigmas tecnológicos traerán en la producción, la socialización, la cultura, etc., también llama la atención cómo las Ciencias Sociales parecen tener la capacidad de adelantarse a las preguntas y cuestiones que el Data Science está a punto de abrir. Cuando en todo el mundo está aceptado el valor estratégico del Deep Learning, algunos ámbitos de las Ciencias Sociales se preguntan por el próximo paso y sus posibles repercusiones.

Es meridianamente claro que las Redes neuronales recurrentes y las Redes neuronales convolucionales (dos ejes en los algoritmos presentes en el Aprendizaje Profundo) han ganado un gran protagonismo al resolver complejos problemas, que van desde la visión computacional, la reconstrucción de imágenes, el reconocimiento de voz, la transición idiomática,generación de texto, procesamiento natural del lenguaje, etc.

Pero ahora empiezan a surgir preguntas sobre cómo resolver problemas en base a datos computacionales o gráficos que no existen en un espacio bidimensional. Esto fue abordado por Michael M. Bronstein en su artículo “Aprendizaje profundo geométrico: yendo más allá de los datos euclidianos”.

En conclusión, al referirnos a esta continua revolución tecnológica simbolizada en el Deep Learning, nos encontramos con algunas de las competencias que los profesionales en Big Data y Data Science necesitan para estar en primera línea de la competitividad, en los proyectos más interesantes y con las mejores previsiones de crecimiento.