Vivimos una época única: sistemas computacionales autónomos que interactúan continuamente con humanos, máquinas que solucionan problemas y acumulan aprendizajes. Deep Learning: la vanguardia de las grandes transformaciones tecnológicas, el conjunto de metodologías que abren un capítulo nuevo en el viejo problema de la “predicción”. Inteligencia Artificial que puede imitar rasgos de la psicología humana: una de las claves para hacer al mundo más sostenible.

Partamos de lo siguiente: Una gran parte de los algoritmos de las últimas décadas se vuelven a retomar en nuevos desarrollos y desafíos. Ya en los 80 y 90 del siglo XX existían las ideas que hoy se implementan tecnológicamente a gran profundidad; los nuevos desarrollos matemáticos, de software y hardware nos permiten aprovechar todo su potencial.

Por supuesto, el desarrollo protagonizado por algunas industrias (sobre todo en el mundo de la imagen, el vídeo y la creación digital en general) han significado una especie de demanda enfocada al Aprendizaje Profundo. En sentido de lo anterior, por ejemplo, todo el cálculo matricial necesario en la pujante industria de los videojuegos plantea desde hace años unos desafíos importantes en Deep Learning.

En esencia, Machine Learning y Deep Learning no son campos distintos, se trata de enfoques complementarios para intentar resolver los mismos interrogantes. En el caso del DL, hablamos de sistemas de variables extraídas de la propia realidad objetiva que intentamos explorar. Existen voces expertas que vienen afirmando que, de hecho, el Deep Learning puede revelar o desnudar la materialidad como auténticamente es.

En términos prácticos, sabemos que, por ejemplo, existen algoritmos de Machine Learning que pueden diferenciar imágenes entre sí. Pero cuando el problema es identificar entre esas imágenes aquellas que tienen diferencias pero, en realidad, deben estar en la misma clasificación necesitaremos técnicas más potentes. ¿Y si tenemos que identificar (mediante probabilidades sobre lo que hay en la imagen) a un sujeto u objeto tremendamente mimetizado con el entorno? En esos momentos nos hará falta adquirir habilidades que se desarrollan en el Deep Learning.

REDES NEURONALES ARTIFICIALES… DE ORIGEN HUMANO

En la base tenemos las redes neuronales artificiales, por ejemplo, enfocadas a aprendizaje supervisado. En un esquema básico tendríamos una matriz de datos donde está incluido un apartado con los objetivos, es decir, la respuesta esperada de la ejecución del algoritmo para distintos escenarios.

Hay otro concepto importante asociado a todo lo anterior: el de frontera de decisión, donde los datos resultan separados según diferentes características, pero podrían seguir siendo de un grupo o de otro. La ayuda de los algoritmos actuales nos permiten ser más precisos para mejorar la clasificación de estos elementos cercanos a la frontera.

Básicamente, una idea de partida sobre el orden de clasificadores para los datos en las redes neuronales artificiales la tenemos en la propia arquitectura nerviosa humana. Uno de los rasgos revolucionarios de las neuronas humanas es que, cuando una de ellas genera un impulso eléctrico resultado del trabajo sobre la información entrante, la acción de los neurotransmisores logra que éste llegue a la siguiente y a la siguiente...

De lo anterior se deriva otra característica fundamental: en la red neuronal humana la estructura no está cambiando (al menos, no continuamente), y sin embargo sabemos que el cerebro, la gran unidad, está generando una aprendizaje continuo.

En la imitación computacional de la arquitectura humana, observaríamos la entrada de los datos originales (de los que pretendemos extraer un conocimiento). En el núcleo de dicha neurona se ejecuta un proceso que producirá una “activación”, con el vector y sus variables, es decir, la simbolización del aprendizaje acumulado del sistema neuronal artificial.

Al estudiar el resultado del conjunto, ¿qué estaríamos observando? Pues que existe una gran tarea “global” que busca ser resuelta por la totalidad de la red neural, donde cada una de esas neuronas artificiales logró aprender por ella misma la solución de una parte del todo. Y no olvidemos que la red puede organizarse en niveles, la salida de una es la entrada de la siguiente.

En conclusión, la línea de desarrollo representada en la Inteligencia Artificial, el Machine Learning y el Deep Learning nos está mostrando el viaje hacia razonamientos y comportamientos que se parecerán cada vez más a los humanos (naturalmente, no estamos hablando del fenómeno de la conciencia, aunque sí de cierta idea sobre pensamiento abstracto); con el importante añadido de la gradual reducción en la intervención humana.

En el área concreta del Deep Learning estamos ante modelos de algoritmos estructurados jerárquicamente con capacidad para enfrentarse a problemas: pueden descomponer la cuestión en niveles, construir conclusiones parciales que se combinan entre sí y desencadenar una respuesta coherente con lo aprendido.

Entre otras cuestiones, estos sistemas abarcan diversos campos del conocimiento relacionados con la clasificación de textos y el procesamiento del lenguaje natural, el tratamiento, clasificación y generación de imágenes, de audio o de vídeo o incluso de la combinación de todos ello .¿Qué sería lo siguiente? Posiblemente, entre otras cosas, la posibilidad de formular nuevas preguntas o edificar soluciones totalmente nuevas.

Así es, en el Deep Learning nos encontramos con una revolución que no se agota. Sin duda, una de las claves para convertir nuestras ciudades en un hábitat más sostenible a la vez que imprimimos esa particular racionalidad humano-electrónica a nuestra forma de crear riqueza y cultura. Deep Learning: la vanguardia de las grandes transformaciones

Experto, Especialista y Máster en Big Data y Data Science de la UNED:

CONVOCATORIA 2024 - MATRÍCULA ABIERTA