Según Geoffrey Hinton, uno de los principales investigadores en esta área, el Deep learning o aprendizaje profundo es un nuevo tipo de inteligencia artificial en que logras que la máquina aprenda de su propia experiencia. Y, posiblemente, sea el futuro del aprendizaje automático no supervisado ya que no necesita tener un conjunto de datos etiquetados. En este contexto, los algoritmos son capaces de aprender sin intervención humana previa, sacando ellos mismos las conclusiones acerca de los datos.
El contexto del Deep Learning
Pero, ¿cómo funciona? En este punto, el uso de las redes neuronales artificiales entra en juego. Recordamos que una red neuronal artificial es un conjunto de neuronas artificiales que se agrupan en capas conectadas entre sí y que transmiten señales. Se usan mucho en campos donde buscar soluciones o características usando programación convencional resulta muy difícil, como por ejemplo en visión por computador, reconocimiento de voz, etc., pues son sistemas que aprenden y se forman por sí solos, en vez de ser programados explícitamente. Estas redes neuronales artificiales están inspiradas en las redes neuronales biológicas que constituyen los cerebros animales.
Se distinguen tres tipos de capas: de entrada, ocultas y de salida. Las capas de entrada están formadas por neuronas que reciben datos o señales procedentes del entorno. La capa de salida se compone de neuronas que proporcionan la respuesta de la red neuronal, y las capas ocultas, que pueden ser varias, no tienen conexión directa con el entorno, es decir, están formadas por neuronas que tienen entradas que vienen de capas anteriores y salidas que pasan a capas posteriores.
Lo interesante de estas redes, es que son capaces de aprender de forma jerarquizada, es decir, la información se aprende por niveles, donde las primeras capas aprenden conceptos muy concretos, por ejemplo, que es un tornillo, un espejo, una rueda, etc. Y en las capas posteriores se usa información aprendida previamente para aprender conceptos más abstractos, por ejemplo, un coche, un camión o una moto. Esto hace que a medida que añadimos más capas, la información que se aprende es cada vez más abstracta e interesante.
No hay límite de capas que se puedan añadir y la tendencia es que cada vez se añadan más y más capas, convirtiéndose en redes cada vez más complejas. Este incremento en el número de capas y complejidad nos lleva al Deep Learning.
Cómo aplicar las técnicas de Deep Learning
Podemos emplear esta técnica a un sinfín de necesidades. En el mundo del marketing online, por ejemplo, nos ayuda a monitorizar en tiempo real las reacciones en los canales online durante el lanzamiento de productos, a orientar anuncios y predecir las preferencias de los clientes, la probabilidad de que un usuario haga clic en una llamada a la atención, identificar y hacer un seguimiento de los niveles de engagement de los clientes, sus opiniones y su actitud en diferentes canales online, entre muchas otras.
También usamos técnicas de Deep learning en la configuración de traductores inteligentes o en desarrollo del lenguaje natural para asistentes virtuales. O bien para la automatización de procesos y análisis predictivo de datos.
En el tratamiento avanzado de imágenes, podemos detectar caída de mercancía, accidentes laborales, alertas de peligro para evacuación, robos de material y seguridad de entrada y salida de personas si se trata de un sector como la logística. También para detectar robos en andenes y estaciones, colapsos de personas o urgencias de tipo médico, necesidades que a menudo aparecen en el sector del transporte. Pero también se aplica en el campo de la salud, ya que podemos hacer un análisis de imágenes médicas, aumentando la precisión diagnóstica en un menor tiempo y coste. O bien para la identificación de emociones faciales o localización de caras.
Tipos de aplicación
En el reconocimiento de voz, el uso de estos servicios cada vez resulta más útil en las compañías, ya que se consiguen soluciones precisas y rápidas. El objetivo en este campo es conseguir que las máquinas entiendan mejor los comentarios de los usuarios para sacar más valor a las conversaciones. Lo podemos usar para poder publicar en redes sociales, enviar mensajes de correo, buscar en el navegador sin necesidad de escritura, o bien para traducir textos, localizar palabras clave en informes o documentos, entre otros.
En el reconocimiento facial, este desarrollo permitirá potenciar la seguridad en los distintos servicios en los que la identificación personal es imprescindible, como en controles de acceso en aeropuertos.
Aplicado en la predicción de comportamientos, también podemos incorporar contenido y presentar opciones a las personas, con base a sus preferencias pasadas, orientar anuncios y definir audiencias, o bien identificar clientes potenciales.
En resumen, son muchas las posibilidades que pueden impulsar la transformación digital de un negocio. De hecho, esta tecnología en las empresas logra la combinación de estrategia y opciones con foco en la innovación y data analytics, lo que se traduce en un aumento de la productividad y en una cadena de valor más óptima.
