Entrada + Procesamiento = Respuesta
Para que el Deep learning funciona necesitas dos factores muy importantes:
El primero necesitas tener una gran potencia computacional y un gigantesco volumen de datos con el cual podamos entrenar a nuestra IA.
Los sistemas de Deep learning entrenan mediante una técnica llamada backpropagueision que modifica el peso de las neuronas para que estas den un resultado más exacto. Además toma en cuenta el uso de las gpu que se dedican al procesamiento de gráficos y de operaciones de perdida flotante.
Cuanto más potente es el ordenador menor es el margen de error. Las operaciones de perdida flotante están íntimamente relacionados con los números flotantes que en programación son los números con decimales.
El objetivo final del Deep learning es el poder integrar funciones como por ejemplo la memoria semántica, la atención y el razonamiento. Alcanzando así el nivel de inteligencia humana a través de la singularidad tecnológica.
El Deep learning puede hacer muchas cosas, como por ejemplo clasificar imágenes, colorearlas, puede segmentar información a través de patrones repetitivos.
Un uso por ejemplo es el que usa la policía para hacer reconocimiento facial a través de todas las cámaras de una ciudad y encontrar así a algún sospechoso.
Otro ejemplo sería el traductor de google, ya que puede traducir y además puede detectar idiomas por el aprendizaje de sus usuarios.
Deep Learning: la aproximación a la percepción humana
Posiblemente el futuro del aprendizaje automático pase por un giro hacia el aprendizaje no supervisado.
En este paradigma los algoritmos son capaces de aprender sin intervención humana previa, sacando ellos mismos las conclusiones acerca de la semántica embebida en los datos. Ya existen compañías que se centran completamente en enfoques de aprendizaje automático no supervisado, como Loop AI Labs, cuya plataforma cognitiva es capaz de procesar millones de documentos no estructurados y construir de forma autónoma representaciones estructuradas.
La disciplina del aprendizaje automático está en plena ebullición gracias a su aplicación en el mundo del Big Data y el IoT. No dejan de aparecer avances y mejoras de los algoritmos más tradicionales, desde los conjuntos de clasificadores (ensemble learning) hasta el Deep Learning, que está muy de moda en la actualidad por sus capacidad de acercarse cada vez más a la potencia perceptiva humana.
En el enfoque Deep Learning se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, teniendo capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características existentes en los objetos percibidos. La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales. Existen varios entornos y bibliotecas de código de Deep Learning que se ejecutan en las potentes GPUs modernas tipo CUDA, como por ejemplo NVIDIA cuDNN.
El Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas.
Los modelos computacionales de Deep Learning imitan estas características arquitecturales del sistema nervioso, permitiendo que dentro del sistema global haya redes de unidades de proceso que se especialicen en la detección de determinadas características ocultas en los datos. Este enfoque ha permitido mejores resultados en tareas de percepción computacional, si las comparamos con las redes monolíticas de neuronas artificiales.
¿Para qué se utiliza el Deep Learning?
Los modelos de aprendizaje profundo tienden a funcionar bien con grandes cantidades de datos, mientras que los modelos de aprendizaje automático más tradicionales dejan de mejorar después de un punto de saturación. A lo largo de los años, con la aparición del big data y de componentes informáticos cada vez más potentes, los algoritmos de aprendizaje profundo que requieren mucha potencia y datos han superado a la mayoría de los demás métodos. Parecen estar preparadas para resolver muchos problemas: reconocer caras, ganar a jugadores de go o de póquer, permitir la conducción de coches autónomos o buscar células cancerígenas.