Deep Learning es uno de los métodos de aprendizaje de la inteligencia artificial, y a día de hoy pertenece a un subcampo  del Machine Learning.

Curiosamente, el concepto de Deep Learning no es algo nuevo. La primera vez que apareció esta definición provino de la tesis doctoral de Paul Werbos en 1974, que fue el primero que describió el proceso de entrenamiento de una red neuronal artificial a través de la retropropagación.

 

Pero este algoritmo no fue conocido hasta que en 1980 fue re-descubierto por un licenciado de la Universidad de Psicología Experimental de Cambridge, y  Doctorado en ciencias computaciones llamado Geoffrey E.Hinton, quién se dedicó a tratar de implementar el modelo de aprendizaje humano aplicado a una maquina.

 

Se le atribuye el mérito a Geoffrey de ser el padrino del Deep Learning al recibir el premio Fundación de BBVA Fronteras del Conocimiento en 2017, pero hay que destacar que hubo otros muchos autores de la época que desarrollaron esta metodología, como David Rumelhart, Ronal Willian, David Parker o Yam Le Cun.

 

Pero su máximo apogeo no llegó hasta el año 2010, debido principalmente al gran límite que tenían los procesos de computación de la época. Con la inserción de las redes sociales, así como el desarrollo del mundo web, se multiplica la generación de datos por individuo, lo que hace surgir una necesidad inmediata de herramientas y tecnologías que permitan aprovechar estos datos: el Big Data.

 

¿Qué es el Deep Learning?

 

El Deep Learning o aprendizaje profundo se define como un algoritmo automático estructurado o jerárquico que emula el aprendizaje humano con el fin de obtener ciertos conocimientos. Destaca porque no requiere de reglas programadas previamente, sino que el propio sistema es capaz de «aprender» por sí mismo para efectuar una tarea a través de una fase previa de entrenamiento.

 

A su vez, también se caracteriza por estar compuesto por redes neuronales artificiales entrelazadas para el procesamiento de información. Se emplea principalmente para la automatización de análisis predictivos.

 

Los algoritmos que componen un sistema de aprendizaje profundo se encuentra en diferentes capas neuronales compuestas por pesos (números). El sistema está dividido principalmente en 3 capas:

 

Capa de entrada (Intup Layer): Está compuesto por las neuronas que asimilan los datos de entrada, como por ejemplo imagen o una tabla de datos.

 

 

Capa oculta (Hidden Layer): Es la red que realiza el procesamiento de información y hacen los cálculos intermedios. Cada más neuronas en esta capa haya, más complejos son los cálculos que se efectúan.

 

 

Salida (Output Layer): Es el último eslabón de la cadena, y es la red que toma la decisión o realiza alguna conclusión aportando datos de salida.

 

 

Hay que mencionar, que las redes neuronales pueden ser virtuales, es decir, creadas en un espacio ficticio dentro de un ordenador como pueden ser los Open Sources Scili Learn, TensorFlow, Keras o Mcrosoft CNTk, o pueden estar compuestas por silicio, el material más apropiado para crear redes neuronales físicas y tangibles. Un ejemplo este sistema es de Qualcomm Zeroth. (Arriba video ejemplo).

 

 

¿Cómo funciona el Deep Learning?

 

 

Imagina que queremos que una maquina sea capaz de identificar si hay algún perro dentro de una imagen. Para ello tendríamos que programar un algoritmo de una manera semejante a la imagen superior, dividiendo las funciones de cada capa neuronal en un proceso de entrada, procesamiento y salida.

 

Para la entrada de datos, tendríamos que crear una capa que asimile la información introducida. En este caso, necesitaríamos que las neuronas desmembraran la imagen en pixeles, así, cada trozo de imagen se envía a las diferentes neuronas de la segunda capa.

 

Después, la capa de segundo nivel tiene como objetivo procesar cada uno de los pixeles delimitando los bordes dentro de los pixeles (separando los vectores dentro de los pixeles). En el tercer nivel se combinarían los bordes para diseñar las formas, y constituir cada uno de los objetos de la imagen.

 

En la capa de cuarto nivel, se utilizan los filtros del sistema para reconocer qué objetos son perros, y cuáles no, como pueden ser tener cuatro patas, tener una cola y un hocico. Como último paso, la capa 4 traspasa los datos a la última capa, el cual combina las características identificadas para reconocerse si es un «perro» o no por medio de conclusiones parciales, es decir, este fragmento es una cola de un animal, por tanto sí puede ser un perro. Si tiene cuatro patas, sí tiene características de perro… así hasta entregar todos los fragmentos de información a la capa de salida y que este ofrezca una conclusión.

 

A groso modo, puede decirse que el Deep Learning funciona reduciendo errores, y tratando de aumentar el intervalo de confianza. Si tuviéramos que basarnos solo en la segunda capa, se puede decir que el intervalo de confianza de que haya un perro es de 70%, luego, si lo procesa la tercera capa aumentaría hasta el 77%… Así hasta reducir el margen de error casi a 0.

 

Cabe destacar, que para que la maquina aprenda, tiene que pasar por un proceso didáctico el cual combina un aprendizaje supervisado (un humano etiqueta en la imagen que es un perro), y un aprendizaje no supervisado (la maquina encuentra sus propios patrones para establecer relaciones a partir de los datos aportados).

 

Cada más cerca esté la neurona de la capa de salida, más entrenamiento supervisado requerirá para perfeccionarse. Esto ocurre debido a que las primeras capas tratan de procesar los datos de modo que se puedan reconocer objetos complejos, en cambio, las capas más profundas requieren de mayor atención humana, ya que los cálculos son cada vez más complejos.

 

A primera vista, tanto Machine Learning y Deep Learning son ramas tremendamente parecidas, y no es de extrañar, ya que el aprendizaje profundo forma parte del aprendizaje automático. La principal distinción del Deep Learning se establece por su estructura y procesamiento de la información el cual imita las redes neuronales del cerebro humano, donde una señal de entrada es procesada y tramitada por cientos de neuronas entrelazadas entre capas para extraer una conclusión.

 

Aplicaciones del Deep Learning

 

El aprendizaje profundo tiene especial aplicación en el área de la medicina mediante diagnósticos médicos, y en el mercado financiero por medio de modelos predictivos, pero poco a poco otros sectores están aprovechando este «boom» y se están subiendo al barco diseñando sistemas de Deep Learning para detección de fraudes, auditoría de datos, detección de anomalías…

 

Aunque no lo parezca, estos sistemas están cada vez más arraigados a nuestro día a día ya que se utiliza en sistemas como:

 

Traductores inteligentes: El servicio de Google Translate se aprovecha de esta tecnología para obtener características del comportamiento humano. Así, el sistema aprende de las traducciones corregidas para aplicarla en futuras consultas.

 

Lenguaje natural hablado y escrito: Uno de los ejemplos más utilizados son Siri (asistente de Apple) o Cortana (asistente de Windows). A título de ejemplo, si a alguno de estos sistemas le dices que te cuente un chiste, este responderá con un chiste. Si le preguntas dónde puedes comer, te aparecerá en Google Maps todos los lugares cercanos según tus preferencias.

 

Reconocimiento de voz: Es una de las cosas que están revolucionando el mundo de los buscadores. Según diversos estudios, estamos dirigiéndonos a realizar búsquedas mediante la voz, por lo que si buscara comprar ropa, antes sería teclear en Google «Comprar ropa», en cambio, con el reconocimiento de voz sería «Quiero comprar ropa». El buscador Bing es uno de los que más se ha aplicado el cuento, el cual ha mejorado la precisión de sus búsquedas hasta un 15%, reduciendo la tasa de error con el fin de proporcionar búsquedas más exactas.

 

Interpretación semántica: Lograr que una maquina entienda un comentario de un usuario en redes sociales es bastante complicado, ya que las palabras por sí solas no tienen valor, dependen en gran medida del contexto en el que está. Este tipo de sistemas se emplean especialmente para los bots de e-commerce o de Facebook, el cual te pueda contestar automáticamente y no requiera de una persona supervisando el chat, lo que ahorraría muchos costes en la atención al cliente.

 

Reconocimiento facial: Uno de los usos más típicos es el uso de softwares que puedan reconocer la cara y los gestos de una persona. En los móviles de ahora, la cámara es capaz de identificar cuando sonríes y cuando no, además, también puede utilizarse tu rostro como llave de seguridad para desbloquear el móvil. Baidu, uno de los gigantes de Internet está trabajando en una app que ya reconoce hasta 70 rasgos faciales.

 

Reconocimiento de caras. Otra de las aplicaciones del deep learning es el reconocimiento facial en tiempo real, que permitirá integrarlo a medio plazo en smartphones con el fin de identificar el rostro del usuario en diversos escenarios. Estos desarrollos permitirán potenciar la seguridad y facilitar la popularización de servicios en los que la identificación personal es imprescindible.  Baidu es uno de los gigantes de Internet que trabaja en esta línea con la creación de una app que ha aprendido a identificar rasgos faciales, y los quieren utilizar para cosas como «contar la asistencia de los alumnos en una clase».

 

Visión computacional: ¿Has probado en subir una imagen a Google Images? El propio buscador es capaz de identificar imágenes semejantes a esa, lo que utiliza un Deep Learning semejante al del ejemplo mencionado anteriormente: Desmembra la imagen y la procesa para sacar resultados semejantes.

 

En SmartPanel utilizamos técnicas de Machine Learning para ofrecer un servicio único y exclusivo en cada uno de nuestros clientes, por lo que si estás interesado en utilizar algoritmos que te faciliten la gestión de tu empresa, te recomendamos que nos contactes aquí.