Hasta hace relativamente poco tiempo, cuando nos hablaban de Inteligencia artificial, nos imaginábamos el argumento de alguna película de ciencia ficción del siglo XX, en la que los robots controlarían el mundo, o al menos la producción.
Sin embargo, la realidad superó a la ficción y hoy por hoy podemos hablar de varios ejemplos – alejados de las versiones cinematográficas – de la Inteligencia Artificial (AI) aplicada a un determinado propósito. Es decir, un sistema dotado de capacidad para resolver un problema concreto.
Entre esos ejemplos podrían estar la máquina Deep Blue que ganó a Kasparov en el 97, un robot de cualquier cadena de montaje, o los asistentes actuales como Siri o Alexa; igualmente se encuadrarían dentro de la AI el sistema de recomendaciones de Netflix y algunas redes sociales.
Pero, ¿qué formas existen de “enseñar” a un sistema? Es en este punto donde aparece el Machine Learning (ML), una rama de la Ai dedicada a la fase de aprendizaje de la máquina, que la enseñará cómo tomar decisiones.
Así, cuando hablamos de Machine Learning (a secas) a lo que nos referimos comúnmente es a la metodología de Machine Learning tradicional, basada en sistemas de decisión lineales y cuyas miles de variantes se vienen usando durante años en entornos de computación automatizada.
Sin embargo, la experiencia demostró que un sistema de ML tradicional donde el número de variables y el volumen de muestras a analizar comience a ser demasiado elevado, perderá de manera exponencial su precisión y efectividad, necesitando de un gran volumen de recursos para poder mantener unos tiempos de decisión aceptables. Los problemas no son menos si hablamos del mantenimiento del modelo.
Como solución a estos problemas aparece la variante del Deep Learning (DL), y es entonces cuando tanto este concepto como el de ML adquieren mayor relevancia. El DL consiste en intentar imitar la forma en la que un cerebro humano aprende, es decir, sustituir el sistema de identificación por etiquetas, por un sistema de autoaprendizaje a partir del ejemplo.
Con Deep Learning, la forma de entrenamiento será dotar al sistema de un gran volumen de datos a partir de los cuales esperamos obtener una respuesta concreta. El sistema, formado por diferentes capas de “neuronas” interconectadas y que funcionarán en paralelo, descompondrá la información en busca de detalles estadísticos y será capaz de llegar a reconocer automáticamente cuáles son los valores que le llevan a un resultado concreto.
Machine Learning VS Deep Learning
Las técnicas de Machine Learning o aprendizaje de máquina se vienen empleando desde los primeros proyectos de programación, e incluso se utilizan de manera muy productiva en entornos con gran capacidad de computación, como son los servicios en nube.
La diferencia en este caso es que, con la aparición del Deep Learning, hemos conseguido que ese aprendizaje automático a partir de un gran volumen de datos sea real (y no influenciado por la percepción humana) y los modelos obtenidos sean tan livianos que podemos incorporarlos a un ordenador de usuario con una tasa de acierto y capacidad de escalado muy superior, junto a una tasa de falsos positivos muy por debajo de los modelos tradicionales de Machine Learning.
En resumen, para una misma tasa de acierto, un modelo de Deep Learning será más ligero, cometerá menos errores y será más rápido que un modelo basado en Machine Learning tradicional.
Fuente: Computer World España