Del curso: Inteligencia artificial más allá de la ingeniería
Aprendizaje automático y aprendizaje profundo
Del curso: Inteligencia artificial más allá de la ingeniería
Aprendizaje automático y aprendizaje profundo
Máquinas que aprenden por sí mismas. ¿Cómo es posible? Prepárate para descubrir cómo funciona el aprendizaje automático o machine learning. De manera simplificada, podemos decir que es la forma en la que los ordenadores aprenden sin necesidad de que sean explícitamente programados. En el desarrollo de software tradicional, una persona que se dedica a la programación escribe una serie de instrucciones, concepto que conocemos como algoritmo; una vez desarrollado, cuando entran datos en ese sistema obtenemos unos datos de salida. En machine learning, este enfoque es invertido, ya que ese algoritmo o secuencia de instrucciones no es programado, sino que a partir de muchos ejemplos se consigue como resultado esa secuencia de instrucciones. Así, cuando tengamos nuevos datos de entrada, podremos tener la predicción de ese resultado. Cuantos más datos de aprendizaje consigamos acumular, más ayudaremos a que aprenda el algoritmo. Con machine learning, los sistemas aprenden por sí mismos a partir de un conjunto de datos, y son capaces de optimizar progresivamente la secuencia de instrucciones aplicadas para mejorar sus propios resultados al resolver un problema específico. Los problemas más comunes que podemos resolver son concretos. Predecir un número. Como el total de ventas que mi empresa conseguirá el próximo semestre, o el tiempo que será necesario para desarrollar una actividad concreta. Identificar categorías. Por ejemplo, decidir si un email es peligroso porque podría contener un virus o no, o clasificar los tipos de incidencias notificadas en un servicio de atención al cliente. Agrupar en base a características similares. Como segmentar una base de datos de clientes para personalizar campañas de marketing. Detectar anomalías. En una cadena de producción automatizada, identificar elementos que puedan ser defectuosos para que sean revisados manualmente. El deep learning, o aprendizaje profundo, es un subcampo del machine learning, y a su vez, de la inteligencia artificial. En el aprendizaje profundo, la información de entrada se analiza por capas, y con todo el conocimiento recabado en las diferentes capas de aprendizaje, se consigue el reconocimiento de patrones complejos como rostros, imágenes, voz o textos. El proceso de aprendizaje imita el funcionamiento del sistema nervioso humano; de hecho, cada unidad de procesamiento es una neurona artificial que poco tiene que ver con las nuestras. No se trata de células, sino de operadores matemáticos, como sumas o multiplicaciones. Estas neuronas ordenadas en capas componen lo que se conoce como una red neuronal, y en esta, cada neurona analiza las señales de entrada, hace un cálculo y la envía a la siguiente neurona, que a su vez usa ese dato como entrada; entre todas, consiguen un resultado mucho más potente. La analogía con nuestras neuronas es porque nuestro cerebro cuenta con millones de neuronas conectadas que envían señales de ida y vuelta para intercambiar información. Supón que queremos crear un sistema capaz de reconocer perros en diferentes imágenes. De forma muy simplificada, funcionaría así: las fotos están compuestas por píxeles, y toda la información se envía a la primera capa; las primeras neuronas procesan los cambios de color, los bordes y las líneas; la segunda, con la información anterior, identifica formas, círculos, cuadrados, triángulos; la siguiente capa reconocería las formas más complejas, como los ojos o la boca; la siguiente, identificaría la cabeza con toda la información anterior. El conocimiento adquirido en cada capa aumenta y se generaliza, de forma que ante nuevas imágenes, el sistema identifica si hay algún perro en la imagen analizada. El aprendizaje profundo es fundamental en los sistemas de visión artificial que clasifican imágenes y detectan objetos. Esta tecnología tiene muchos usos en la actualidad. En medicina, por ejemplo, es empleada para automatizar y agilizar el diagnóstico por imagen. También sirve para detectar plagas en cultivos, identificar especies o basuras en mares y océanos, o en sectores como la industria para detectar fallos o reforzar la seguridad y el control de acceso de personas no autorizadas.