¿Qué es el Deep Learning?
La Inteligencia Artificial ya es una realidad que sin duda está revolucionando el mundo. La convivencia entre máquinas/robots y humanos es un hecho que, aparte de emocionarnos, quizás también puede asustarnos. ¿Seremos capaces de convivir con los cambios que esta conllevará? Es difícil contestar esta pregunta ahora, lo que sí está claro, es que la automatización para facilitar procedimientos es un hecho innegable, gracias al Deep Learning o el Aprendizaje Automático. No obstante, por mucho que las máquinas tengan la capacidad de aprender por ellas mismas, hasta la fecha carecen de una cosa muy importante, los sentimientos y emociones. ¿Llegará el día que las máquinas puedan sentir?
¿Definicion del Deep Learning?
El Deep Learning, conocido también como aprendizaje profundo o aprendizaje automático, puede parecer una tecnología muy innovadora y compleja, pero en realidad lleva años desarrollándose. Este término fue utilizado por primera vez en 1965 por Ivakhnenko, autor del artículo “Cybernetic Predicting Devices” sobre algoritmos supervisados de redes neuronales multicapas profundos.
El «Deep Learning» o el «Aprendizaje Automático” no es más que un conjunto de algoritmos que intentan imitar al cerebro humano, detectando patrones o comportamientos frecuentes. Pero, ¿cómo lo hacen? Pues mediante un proceso por capas que simula el funcionamiento básico del cerebro, que se realiza a través de las redes neuronales. Para que lo entendamos, esta tecnología utiliza modelos estadísticos para localizar patrones en determinados entornos y , de esta forma, poder diferenciarlos de manera automática.
Esta tecnología forma parte de la Inteligencia Artificial que se desenvuelve en distintas capas o niveles. Por ejemplo, las primeras capas reconocen detalles concretos, mientras que las últimas reconocen patrones más abstractos y entre todos, generan un resultado final.
Fuente: Planeta Chatbot
Ejemplo para explicar el Deep Learning
Vamos a poner un ejemplo de Deep Learning para entenderlo mejor. Un niño pequeño cuando está empezando a aprender a hablar, construye sus propias imágenes para entenderlas. Por ejemplo, si está aprendiendo qué es un perro, normalmente lo que hace es señalar distintos elementos y pregunta a los mayores si aquello es un perro o no. Ellos le responden, por tanto, el niño terminaría aprendiendo que un elemento que tiene cuatro patas, orejas y cola es un perro.
El Deep Learning lo que hace es crear un conjunto de características distintas del perro, para mediante estas, crear un modelo predictivo. Si seguimos con el ejemplo anterior, el modelo que la computadora crearía por primera vez, podría predecir que cualquier elemento, siempre representado con una imagen, que tenga cuatro patas, cola y orejas podría tener la etiqueta de perro.
Una factor que debemos tener muy en cuenta, es que el programa no es consciente de las etiquetas escritas con palabras, sino que lo que haría sería buscar patrones de píxeles. Cuando estos se repitieran, aquello podría etiquetarse como perro.
Por tanto, como hemos mencionado anteriormente, el objetivo principal de este sistema es “imitar”, para así decirlo, el pensamiento humano, mediante la utilización de redes neuronales artificiales compuestas por distintos niveles jerárquicos. El primer nivel aprende algo simple, y envía la información extraída al siguiente nivel. Después, este nivel coge esta información sencilla y la combina para generar una información un poco más compleja y la pasa a otro nivel, y así, sucesivamente.
En definitiva, la finalidad del Deep Learning es dar significado a los millones de datos que existen y que vagan por la red, para así, convertirlos en información valiosa y relevante para automatizar procesos que para los humanos pueden ser muy complejos, como ya se aplica con la tecnología blockchain.
