Introducción
Es una realidad que los conceptos de Redes Neuronales y Deep Learning se encuentran entre los principales trending topics tecnológicos en la actualidad. Estos términos suelen venir intrínsecos en todas esas noticias sorprendentes que vemos hoy día sobre conducción autónoma, maestros de ajedrez derrotados por máquinas y un sinfín de temas relacionados con la inteligencia artificial.
De hecho, en este tipo de noticias se suele dar el uso indistinto de conceptos que realmente no son sinónimos tales como Inteligencia Artificial, Machine Learning, Deep Learning o Redes Neuronales. En este sentido, la siguiente imagen me parece bastante representativa de las diferencias entre dichos términos.
En resumidas cuentas:
- Inteligencia artificial. Ciencia que estudia el desarrollo de aplicaciones y máquinas dotadas con capacidades cognitivas que el razonamiento humano a la hora de resolver problemas.
- Machine Learning. Subconjunto de la inteligencia artificial que permite a dichos sistemas la capacidad de aprender a partir de la experiencia.
- Deep Learning. Subconjunto del Machine Learning que se basa en el uso de redes neuronales profundas para el aprendizaje automático.
- Redes neuronales. Es cierto que no son puramente un subconjunto del Deep Learning, pero sí que constituyen la columna vertebral de este campo.
Ahora que hemos aclarado estas diferencias es momento de hablar de nuestras dos nociones en cuestión.
¿Qué es una red neuronal artificial?
Las redes neuronales artificiales son, en primera instancia, uno más de los muchos algoritmos de Machine Learning existentes. Realmente se trata de una idea que nace en los años 50 de la mano del trabajo del científico sobre perceptrones llevado a cabo por el científico Frank Rosenblatt. Sin embargo, su uso masivo no se ha empezado a dar hasta hace años con la mejora de la capacidad de cómputo.
Una red neuronal, como su nombre indica, es un modelo simplificado que se inspira en el funcionamiento del cerebro humano. Consiste en un conjunto de neuronas, cada una de las cuales representan funciones matemáticas. Estas neuronas procesan unos valores de entrada que se combinan entre sí para dar un valor de salida. A su vez, los valores de salida de diferentes neuronas pueden combinarse entre sí sirviendo como valores de entrada para neuronas de capas posteriores. Al final, la red neuronal arroja una única salida normalmente en forma de predicción. Lo interesante de este método es que la información se aprende de forma jerarquizada y por niveles. Por ejemplo, una red neuronal en sus primeras etapas puede aprender a detectar formas, para luego aprender a detectar ruedas y retrovisores y terminar aprendiendo a distinguir coches.
De esta forma y de acuerdo a la imagen anterior, cuantas más capas tenga la red neuronal más abstractos e interesantes serán los conceptos que esta es capaz de detectar. Ahora sí estamos en disposición de tratar el siguiente término.
Deep Learning: Un paso más allá
Tal y como comentábamos hace un momento, cuanto más profunda sea nuestra red neuronal más interesantes serán los resultados obtenidos. Es de esta idea de profundidad, o número de capas, de donde nace el término Deep Learning. Digamos que el Deep Learning no es más que una versión vitaminada del Machine Learning y las redes neuronales. Al fin y al cabo este concepto nace cuando la capacidad de cómputo ha alcanzado niveles que permiten el desarrollo de estas redes neuronales con un número muy alto de capas, tal y como se ilustra a continuación.
Estos avances han permitido que estos modelos se apliquen en numerosas áreas de conocimiento obteniendo resultados excepcionales. A continuación comentamos algunos de los más destacados.
Predicción bursátil
El auge del Deep Learning ha generado una nueva corriente respecto a la predicción de bolsa y la compraventa de acciones, un mercado altamente volátil y con alto riesgo. Históricamente los traders han hecho uso de la experiencia y el reconocimiento de patrones a la hora de operar en bolsa. Estas características son justamente los puntos fuertes del Deep Learning lo que permite que este tipo de algoritmos comiencen a ser una alternativa que aciertan en sus predicciones bastante más que asesores bursátiles humanos.
Procesamiento del lenguaje natural
Este campo es sin duda uno de los más beneficiados por el Deep Learning, destacan algoritmos de generación de textos, traducción de idiomas… En este sentido algoritmos como GPT-3 de OpenAI, Bert de Google… están marcando la diferencia.
Conducción autónoma
Se habla mucho de los automóviles de conducción autónoma y es que la capacidad de cómputo y las redes neuronales han hecho que sea posible el procesamiento y la toma de decisiones en streaming de toneladas de información recogidas por numerosos sensores en los vehículos.
Otros casos de uso
Hemos comentado los casos de uso más sonados, pero conviene destacar algunos otros como:
- Reconocimiento de imágenes.
- Reconocimiento de voz.
- Predicción de fraude.
- Pronóstico de enfermedades.
- Predicción de personalidad.
Por todo esto y mucho más el Deep Learning y consecuentemente las redes neuronales se han convertido en los algoritmos de moda en los últimos años. Tras esta introducción, en los próximos artículos hablaremos más en profundidad del funcionamiento paso a paso de estos algoritmos así como de sus principales aplicaciones.
