Aprendizaje profundo: los mecanismos de la magia

¿Qué es el aprendizaje profundo?

A menudo abreviado como AP, el aprendizaje profundo es un subconjunto del aprendizaje automático y, por extensión, de la inteligencia artificial: una técnica de entrenamiento de computadoras que imita la manera en que las neuronas del cerebro humano procesan y recopilan información; es, literalmente, una red neuronal artificial.

El aprendizaje profundo se emplea para enseñar a las máquinas a procesar datos de un modo que simula las múltiples capas de nuestro cerebro y que sean capaces, por tanto, de desempeñar tareas que antes eran exclusivas del talento humano. Ya estamos presenciando numerosas aplicaciones de aprendizaje profundo y usos para el AP que incluyen el reconocimiento de imágenes, la traducción de lenguas e incluso la conducción autónoma, y que recaen al ámbito de las capacidades computacionales. En esencia, el aprendizaje profundo es una poderosa herramienta a la hora de desentrañar conocimientos complejos que están ocultos en cantidades ingentes de datos.

Pero ¿qué hay detrás de esta fascinante tecnología? El núcleo del aprendizaje profundo son las redes neuronales artificiales (RNA), diseñadas para emular la compleja red de neuronas del cerebro humano. Estas redes comienzan con una capa de entrada que recoge datos en bruto, como imágenes o texto. A medida que los datos fluyen por las capas ocultas, la RNA los transforma, extrayendo características cada vez más abstractas que ayudan a reconocer patrones intrincados. La capa de salida proporciona predicciones, lo que salva la brecha entre los datos y la información práctica.

El aprendizaje profundo presenta diversas arquitecturas, cada una adaptada a tareas específicas. He aquí algunos ejemplos:

• Las redes neuronales convolucionales destacan en el procesamiento de imágenes, al identificar hábilmente patrones en los datos visuales.
• Las redes neuronales recurrentes son expertas en el manejo de datos secuenciales y utilizan elementos de memoria para recordar entradas pasadas, lo que resulta ideal para tareas lingüísticas.
• Las redes generativas antagónicas tienen dos componentes (el generador y el discriminador) que compiten para producir datos increíblemente realistas, como imágenes realistas a partir de ruido aleatorio.

Esta definición básica del aprendizaje profundo solo da una idea de su complejidad. Para comprender realmente el impacto del aprendizaje profundo, tenemos que abrir el capó y ver qué está impulsando esta tecnología. No se trata solo de los datos, sino de la extraordinaria forma en que estos sistemas aprenden, se adaptan y mejoran con cada bit de información que procesan. Así que, ¿qué ocurre realmente entre bastidores? Analicemos cómo funciona el aprendizaje profundo y descubramos los mecanismos que impulsan este cambio de paradigma.

¿Cómo funciona el aprendizaje profundo?

El cerebro humano natural está formado por millones de neuronas interconectadas. Creados a imagen y semejanza de la naturaleza, los algoritmos de aprendizaje profundo emplean redes neuronales artificiales formadas por múltiples capas de nodos interconectados, denominados neuronas artificiales o unidades. Cada capa procesa la información de la capa anterior y la entrega a la siguiente, extrayéndose así gradualmente características y patrones de cada nivel superior.

Los modelos de aprendizaje profundo se entrenan con grandes cantidades de datos etiquetados, conocidos como conjuntos de entrenamiento, para aprender a reconocer y clasificar patrones. Podría tratarse de un desafío simple, como en un conjunto de datos de «perros contra gatos», un conjunto de datos estándar de visión computarizada cuyas fotografías hay que clasificar según contengan un perro o un gato. Otros conjuntos de datos más sofisticados podrían referirse a la apreciación del vino o la detección de las «fake news» entre las noticias auténticas.

Durante el entrenamiento, los parámetros y las ponderaciones de la red neuronal se ajustan para minimizar la diferencia entre las salidas previstas y las salidas reales. A lo largo de múltiples iteraciones, el modelo se va perfeccionando hasta que es capaz de hacer predicciones o ejecutar tareas con un grado elevado de exactitud y precisión.

Son diversos los lenguajes de programación que han surgido para implementar algoritmos de aprendizaje profundo. No pocas personas apuestan por usar el aprendizaje profundo con Python por su sencillez, legibilidad y sus amplias «bibliotecas» (paquetes de código preescrito que ayudan a los desarrolladores a resolver problemas comunes). Ciertas bibliotecas populares, como TensorFlow y PyTorch, proporcionan un rico conjunto de herramientas y funcionalidades para la construcción y el entrenamiento de modelos de aprendizaje profundo.

Aprendizaje profundo frente a aprendizaje automático

El aprendizaje profundo es un método de creación de representaciones jerárquicas ricas mediante el entrenamiento de redes neuronales con numerosas capas ocultas. Se trata de una evolución del aprendizaje automático que requiere mucha menos ayuda del ser humano. Aunque los modelos básicos de aprendizaje automático van mejorando en el desempeño de sus funciones específicas a medida que absorben nuevos datos, cuando devuelven una predicción inexacta, un ingeniero debe intervenir y realizar ajustes. Sin embargo, el aprendizaje profundo realiza sus propios ajustes y corrige su rumbo sin necesidad de ayuda humana.

Aplicaciones del aprendizaje profundo

El aprendizaje profundo ya está teniendo efectos positivos en nuestra vida, ya que se implementa en muchos sectores diferentes. Su profunda influencia no solo está remodelando la tecnología, sino que está redefiniendo nuestra forma de vivir.

• Visión por computadora: desde desbloquear el teléfono con solo mirarlo hasta ayudar a los médicos a detectar enfermedades en una fase temprana, el aprendizaje profundo está cambiando la forma en que las máquinas «ven» el mundo. En la sanidad, está revolucionando el análisis de imágenes médicas, mientras que en la seguridad y el comercio minorista impulsa el reconocimiento facial y la identificación de productos.
• Procesamiento del lenguaje natural: el aprendizaje profundo impulsa herramientas como Google Translate, que salva las distancias lingüísticas en todo el mundo, y alimenta asistentes de voz como Siri y Alexa, que transforman las órdenes de voz en acciones. Entre bastidores, modelos de aprendizaje profundo como el transformador generativo preentrenado (GPT, por sus siglas en inglés) elaboran conversaciones similares a las humanas y generan texto para todo, desde chatbots hasta artículos de noticias.
• Sanidad: el aprendizaje profundo es una fuerza silenciosa detrás de la atención sanitaria moderna, que identifica tumores en las exploraciones médicas y predice los resultados de los pacientes con una precisión asombrosa. ¿El resultado? Tratamientos más rápidos, atención más personalizada y un futuro en el que la medicina se adapte al individuo.
• Vehículos autónomos: los automóviles autónomos utilizan algoritmos de aprendizaje profundo para ayudar a detectar objetos y tomar decisiones en tiempo real. Tanto si se trata de identificar una señal de stop como de navegar por una calle abarrotada, el aprendizaje profundo nos dirige hacia un futuro de carreteras más seguras y transporte sin conductor.
• Servicios financieros: desde la detección de transacciones fraudulentas en tiempo real hasta la predicción de las oscilaciones bursátiles, la IA está remodelando el mundo financiero. Los bancos están utilizando modelos de aprendizaje profundo para evaluar el riesgo crediticio con mayor precisión, lo que ayuda a los prestamistas a tomar decisiones más rápidas e inteligentes.
• Robótica: los robots de las fábricas son cada vez más autónomos y realizan tareas precisas, como el montaje y la clasificación, con una exactitud casi perfecta.
• Comercio electrónico y minorista: las plataformas en línea utilizan algoritmos de aprendizaje profundo para predecir lo que compraremos a continuación, ofrecernos sugerencias de productos a medida e incluso permitirnos buscar con imágenes en lugar de palabras. Los minoristas también están aprovechando la IA para la gestión de inventarios, asegurándose de que las estanterías estén abastecidas y de que los clientes nunca queden decepcionados.
• Entretenimiento y medios: ¿cuál será nuestro próximo atracón de Netflix o lista de reproducción de Spotify? Los servicios de streaming analizan nuestras preferencias para ofrecernos exactamente lo que no sabíamos que queríamos.
• Energía y servicios públicos: en las centrales eléctricas y las redes inteligentes, el aprendizaje profundo está impulsando la eficiencia. Mediante el análisis de los datos de los sensores, predice las fallas de los equipos antes de que se produzcan, lo que reduce el tiempo de inactividad y los costos. Los modelos de aprendizaje profundo ayudan a las empresas de servicios públicos a anticipar la demanda y optimizar el flujo de energía, lo que garantiza un suministro energético más confiable y sostenible.
• Marketing personalizado: detrás de cada banner publicitario u oferta por correo electrónico, hay una IA que se asegura de que su mensaje llegue a los destinatarios. Los anunciantes pueden ahora crear campañas muy específicas, analizando sus preferencias, historial de navegación y actividad en las redes sociales para ofrecer anuncios que resuenen.

¿Dónde están las limitaciones del aprendizaje profundo?

A pesar de sus notables capacidades y su impresionante potencial, el AP no está exento de limitaciones y problemas. Exige una cantidad ingente de memoria y almacenamiento y consume datos a tal ritmo que la obtención de conjuntos de datos de alta calidad, diversos y bien etiquetados puede ser todo un desafío, especialmente en aquellos dominios cuyos datos son escasos o costosos. También consume profusamente tanto recursos de entrenamiento como energía eléctrica y puede ser proclive al exceso de ajuste: a obtener buenos resultados con los datos de entrenamiento, pero malos con los datos nuevos y desconocidos.

Al igual que la mayoría de los ámbitos de la IA, el aprendizaje profundo también plantea cuestiones éticas en torno a la seguridad de los datos y los sesgos e imprecisiones inherentes al ser humano que pueden impregnar sus áreas de aprendizaje.

El marco para el aprendizaje profundo

Aunque los beneficios potenciales del aprendizaje profundo son enormes, una buena gobernanza de la tecnología será esencial para hacerlos realidad. El desarrollo de marcos legales y éticos apropiados será fundamental para generar confianza y mitigar los riesgos.

Las Normas Internacionales tendrán un papel importante a la hora de garantizar la adopción responsable del aprendizaje profundo en el ámbito de la IA. ISO, en colaboración con la Comisión Electrotécnica Internacional (IEC), ha publicado ya toda una serie de normas a través de su grupo especializado de expertos en inteligencia artificial, y está desarrollando un marco evolutivo de orientación para las aplicaciones de aprendizaje profundo en todo el mundo.

Las empresas y los legisladores ya pueden sacar partido de estas normas como parte de una garantía de una implantación ética y segura de los modelos de aprendizaje profundo. El cumplimiento de las Normas Internacionales genera confianza entre los clientes y colegas de todos los sectores.

• ISO/IEC TR 24029-1:2021Robustness of neural networks – Part 1: Overview
• ISO/IEC 24029-2:2023Robustness of neural networks – Part 2: Methodology for the use of formal methods
• ISO/IEC 42001:2023AI management systems

El futuro del aprendizaje profundo

El aprendizaje profundo está aún en pañales, pero se espera que crezca exponencialmente y tiene visos de resultar transformador para la sociedad. La integración del aprendizaje profundo con otras tecnologías de última generación –por ejemplo, en combinación con la realidad aumentada o la realidad virtual– podría revolucionar la forma en que experimentamos el mundo que nos rodea y nuestra interacción con él. Un simple paseo por la ciudad podría incrementarse con información instantánea acerca de los edificios y los monumentos cercanos. Los mundos virtuales serán cada vez más inmersivos y realistas.

Muy probablemente, veremos aplicaciones del aprendizaje profundo en campos como la agricultura, la energía y la fabricación, ámbitos donde alberga potencial para optimizar los procesos, mejorar la eficiencia e impulsar la innovación. Más importante aún es que acelerará la solución para problemas que afectan todo el planeta, como el cambio climático y la seguridad alimentaria.

Guiado por las Normas Internacionales e impulsado por la creatividad y el ingenio humanos, el panorama futuro del aprendizaje profundo se plantea fascinante, inspirador y casi ilimitado.