Las películas de ciencia ficción han presentado siempre una visión apocalíptica de la inteligencia artificial (IA o AI en sus siglas en inglés). En esa visión, las máquinas aprendían a sentir y a tomar decisiones basadas en sus propios sentimientos. Fue Isaac Asimov con sus novelas futuristas como “Yo, Robot” quien cautivó millones de lectores de todo el mundo con unos robots con auténticos sentimientos. La realidad ha quedado en otro lugar muy distinto.
El Deep learning es una de las variantes más de la llamada inteligencia artificial que está demostrando ser una herramienta muy útil en la identificación de nuevos segmentos de mercado. Descubramos cuáles son las características y en qué se diferencia el Deep Learning.
Poco a poco, ha ido avanzando la técnica de análisis de los millones de gigas de datos que se generan en el tráfico de las páginas web en internet. Pero tendemos a confundir los conceptos creando una única categoría. Técnicamente, la inteligencia artificial nace en los 60 y trata de solucionar con la potencia de computación de nuestros ordenadores tareas que, para nosotros los humanos son sencillas, pero para una máquina son muy complejas. Por ejemplo: para un humano es muy simple salir a la calle y reconocer un color, el simbolismo de un semáforo o el sonido de un pájaro. La inteligencia artificial busca como hacer que una máquina sea capaz de identificar objetos, formas, sonidos… de una forma tan simple y eficaz como la puede hacer un humano.
Así, el machine learning es una de las formas que hemos encontrado los humanos de ayudar a las máquinas a entender esos procesos correctamente. Gracias a los procesos de machine learning las máquinas pueden aprender cosas para las que no han sido programadas. Por ejemplo, nosotros o incluso un perro podemos identificar a un gato sólo con ver uno. En cambio, una máquina necesita millones de imágenes de gatos para conseguir identificarlos.
Con los sistemas de machine learning en este caso, el programa analiza millones de imágenes de animales pidiendo que marque aquellas en las que detecta que hay un gato, a partir de un modelo generado con el análisis de miles de fotos con la etiqueta ‘gato’. El modelo se supervisa a modo de entrenamiento hasta que se da por bueno el nivel de precisión y se puede aplicar. Pero aún así, el modelo debe ser revisado por humanos para adaptarlo a la realidad. Un ejemplo muy claro son las traducciones basadas en machine learning. Pese a que pueden ser muy buenas en textos de nivel sencillo, requieren de adaptaciones con textos complejos o entre idiomas poco hablados. Así, entre español e inglés el grado de precisión es muy superior al que encontramos entre el español y el alemán.
Este proceso es una evolución del Machine Learning con la particularidad de que las máquinas pueden auto-programarse para adaptarse mejor a un cambio. Se trata del sistema más parecido desarrollado hasta la fecha de emular la percepción humana de la realidad ya que el aprendizaje de la máquina no está supervisado.
Si en el primer ejemplo el programa debía ‘aprender’ primero qué es un gato’, el Deep learning en su primer estadio es capaz de identificar primero la forma básica del gato, luego el color y la forma básica de los atributos del gato, después empieza a combinar las formas para crear una forma compleja, hasta llegar a crear una imagen que es capaz de etiquetar por sí sólo como ‘gato’.
Salgamos del mundo de los felinos y vamos al mundo real. ¿En qué es útil esta tecnología? El Deep Learning se basa en la percepción de la realidad para que la máquina pueda identificarla y estará muy unida a la llamada Internet Of Things. Actualmente, el Deep learning se utiliza en campos como:
Es decir, el Deep Learning es capaz de identificar patrones nuevos y adaptarse a ellos para mejorar ‘según la marcha’. No necesita que supervisemos constantemente el resultado, porque la máquina es casi autosuficiente, aunque sí que debemos estar atentos a que el algoritmo funcione correctamente para evitar distorsiones o ruidos. De hecho, se persigue reproducir el nivel de percepción de la realidad que podemos tener los humanos a partir de nuestro sistema nervioso.
El futuro de Asimov con máquinas inteligentes que sufren ha quedado en el terreno de la ficción. El Deep Learning ya tiene aplicaciones prácticas en campos concretos, pero según mejore con el aprendizaje y el análisis del big data, irá aumentando en precisión. Actualmente ya existen aplicaciones prácticas como la computación cognitiva, como Watson de IBM, o las tecnologías IA aplicadas a la nube, de las que ya podemos disponer en nuestras empresas.