El aprendizaje profundo (deep learning) es un método de inteligencia artificial que permite a las computadoras aprender patrones por sí mismas a partir de grandes cantidades de datos utilizando redes neuronales artificiales de muchas capas. Como respuesta a la pregunta de qué significa el aprendizaje profundo, la palabra "profundo" se refiere al gran número de capas de la red. Hoy en día, muchas tecnologías, desde el desbloqueo facial en tu teléfono hasta los asistentes de chat, se basan en él.
¿Cómo funciona una red neuronal?
Una red neuronal está compuesta por "neuronas" artificiales interconectadas. Cada neurona multiplica los números que recibe por ciertos pesos, los suma y pasa el resultado a la siguiente capa. Las primeras capas capturan características simples (bordes y colores en una imagen); las capas posteriores las combinan en conceptos más complejos (un ojo, un rostro, un gato).
El aprendizaje ocurre durante el entrenamiento: la red hace una predicción, la predicción se compara con la respuesta correcta y el error se propaga hacia atrás mediante un método llamado propagación hacia atrás (backpropagation), ajustando los pesos en pequeños pasos. Repetido a lo largo de millones de ejemplos, esto permite a la red realizar tareas para las cuales nadie escribió reglas explícitas.
¿Cuál es la diferencia entre el aprendizaje profundo y el aprendizaje automático?
En el aprendizaje automático clásico, los humanos suelen decidir en qué características de los datos fijarse. En el aprendizaje profundo, la red extrae las características importantes por sí misma a partir de datos sin procesar (píxeles, ondas sonoras, texto). El precio a pagar es que requiere muchos más datos y potencia de cálculo, especialmente unidades de procesamiento gráfico (GPU).
¿Por qué despegó el aprendizaje profundo en 2012?
La idea de las redes neuronales se remonta a la década de 1950, pero durante décadas no hubo suficientes datos ni potencia de cálculo. En 2012, AlexNet, desarrollada por un equipo de la Universidad de Toronto, ganó el concurso de reconocimiento de imágenes ImageNet por un amplio margen y demostró el poder de las redes profundas entrenadas en GPU. Los pioneros del campo Geoffrey Hinton, Yann LeCun y Yoshua Bengio recibieron el Premio Turing en 2018, y Hinton compartió el Premio Nobel de Física 2024 con John Hopfield.
¿Dónde se utiliza el aprendizaje profundo?
- Imágenes: reconocimiento facial, análisis de imágenes médicas, percepción en automóviles autónomos.
- Voz: asistentes de voz y conversión de voz a texto.
- Lenguaje: traducción automática y modelos de lenguaje grande como ChatGPT, Gemini y Claude.
- Ciencia: predicción de estructuras de proteínas, modelos meteorológicos y descubrimiento de fármacos.
Preguntas frecuentes
¿Son lo mismo el aprendizaje profundo y la inteligencia artificial?
No. La IA es el concepto más amplio; el aprendizaje automático es una rama de este, y el aprendizaje profundo es una rama del aprendizaje automático.
¿Qué necesito saber para aprender aprendizaje profundo?
Un buen punto de partida es la programación básica en Python, además de álgebra lineal y probabilidad de secundaria. Puedes continuar con bibliotecas gratuitas como PyTorch y TensorFlow y cursos en línea.
¿Cuáles son las debilidades del aprendizaje profundo?
Necesita una gran cantidad de datos y energía, sus decisiones son difíciles de explicar (el problema de la "caja negra") y puede acarrear sesgos de sus datos de entrenamiento.
Fuentes
- ACM, Anuncio del Premio A.M. Turing 2018 (Bengio, Hinton, LeCun).
- Fundación Nobel, Premio Nobel de Física 2024 (Hopfield y Hinton).
- Krizhevsky, Sutskever, Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012.
Deja un comentario
Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *