¿Qué es y para qué se usa el aprendizaje profundo?

Imitando una red neuronal, las máquinas aprenden y predicen. Qué aplicación tiene esta herramienta para los negocios.

H1f0vRTIm_930x525__1

Hoy cualquier laptop es capaz de entrenar redes neuronales y ejecutar inteligencia artificial.

Resultado de imagen para Que es y para que se uso el aprendizaje profundo
 En la era de la digitalización, la lista de términos que incorporamos a nuestro vocabulario cotidiano aumenta al mismo ritmo acelerado que la innovación tecnológica.

Si en muy poco tiempo tuvimos que acostumbrarnos a hablar de big dataanalyticsdata science, algoritmos, inteligencia artificial o Internet de las cosas, llegó la hora de incorporar una expresión más: deep learning.

El aprendizaje profundo, tal su significado, es un tipo particular de machine learning. Dicho en criollo: un modo específico de aprendizaje de las máquinas. En este caso, el proceso de aprendizaje se realiza a través de una red artificial de neuronas —una herramienta matemática— organizada en capas. A mayor cantidad de capas, más compleja la red neuronal.

Pero ¿cuáles son sus usos? ¿Cómo impacta en los negocios?

“El aprendizaje profundo aparece porque empieza a haber ciertos casos, como el procesamiento del lenguaje natural, la visión artificial y el procesamiento de sonidos, que se pueden resolver mucho mejor con una red neuronal, un algoritmo que trata de imitar la manera en que funciona el cerebro”, dice Marcos Quezada, líder técnico de Congnitive para IBM Sudamérica.

Resultado de imagen para Que es y para que se uso el aprendizaje profundo

“Hoy es posible enseñar a una máquina a tomar cualquier decisión en un proceso de negocio donde exista una heurística, basándose en la historia de la compañía”, señala Quezada. “El proceso de evaluar si las arandelas son de buena calidad lo puede hacer una persona mirando. Ahora también lo puede hacer una máquina”, ejemplifica.

“Como en todas estas técnicas de aprendizaje automático, una red neuronal —una serie de algoritmos—aprende de algo que ya ha existido: busca patrones”, indica Vicente Peiroten, director de Data & Analytics en la unidad de negocio Tecnología y Servicios Avanzados de Everis. Lo característico es que, en lugar de programar cómo debería comportarse la máquina, ésta aprende sola.

A pesar de la metáfora cerebral implicada en el aprendizaje profundo, Peiroten aclara que la inteligencia artificial, a diferencia de la inteligencia humana, no es genérica. “Un niño aprende de todo y su cerebro es capaz de resolver todo tipo de problemas. La inteligencia artificial está dirigida a la solución de un desafío muy concreto: no se puede trasladar de un ámbito a otro”, aclara.

“Alan Turing desarrolló la matemática de la inteligencia artificial hace 50 años, pero no se podía implementar por falta de ordenadores. Hoy en día, cualquier laptop es capaz de entrenar redes neuronales y ejecutar inteligencia artificial”, asegura Peiroten.

Resultado de imagen para Alan Turing

“No todos los problemas se resuelven por con deep learning”, advierte Juan Pablo Varela, director de Inteligencia Aplicada de Accenture. Y detalla: “A esta red neuronal le entran variables y al final, lo que sale de la última neurona es una predicción. En el medio está lo que se llama capa oculta. Lo que hay que saber es si estamos ok con esa caja negra”.

Como ejemplo, dice: “Trabajamos para predecir cuántos productos va a vender una empresa. El aprendizaje profundo puede mejorar la precisión de esa predicción. Pero hay un balance entre mejorar la precisión y perder la capacidad de explicación. Tal vez la empresa quiere entender por qué le estás diciendo que el número que va a vender es tal; cómo se llega a ese número”, agrega Varela.

Los expertos coinciden en que los campos de aplicación del deep learning se vinculan con el procesamiento de texto, el reconocimiento de imágenes y objetos y el reconocimiento de voz.

“La visión artificial tiene aplicación, por ejemplo, para la seguridad de una planta. La máquina puede interpretar si hay algún riesgo en lo que ‘ve’”, cuenta Varela. “También para el conteo de personas en un negocio: si las personas salen o no con una bolsa, si compran o no compran”, sigue.

Otros ejemplos los da Quezada: “En un comercio, una góndola vacía tiene un costo altísimo. Una forma de solucionar esto es con las cámaras que están en las góndolas. Se entrena una red neuronal para que vea qué lugar está vacío, a qué marca corresponde, etc.”. También tiene aplicación en salud: “Se puede entrenar una red neuronal para que encuentre coágulos, metástasis u otras cosas en cualquier análisis de imagen generado por radiología, resonancia o tomografía”, dice Quezada.

Peiroten aporta que también se usa para detectar fraudes: “Las máquinas detectan comportamientos anómalos, casos raros”, dice.

Otra aplicación es la predicción de preferencias de clientes y la identificación de clientes potenciales.

Fuente: Gabriela Samela – Clarín