Entender el aprendizaje automático y el aprendizaje profundo

Actualmente, la inteligencia artificial (Artificial Intelligence, AI) se utiliza sobre todo como un término genérico para todas las formas de inteligencia basada en cómputo. En líneas generales, se aplica a cualquier sistema que imita los procesos humanos de aprendizaje y toma de decisiones en respuesta a información, análisis de datos, reconocimiento de patrones o desarrollo de estrategias. Las expresiones aprendizaje automático (Machine Learning, ML) y aprendizaje profundo (Deep Learning, DL) describen mejor la realidad de los actuales sistemas informáticos inteligentes y los problemas que pueden resolver para los desarrolladores y usuarios finales.

Aprendizaje automático frente al aprendizaje profundo

Los actuales sistemas de inteligencia de computadoras ML y DL de última generación pueden ajustar las operaciones después de una exposición continua a datos y otros tipos de información. Aunque están relacionados en cuanto a su naturaleza, existen diferencias sutiles que separan estos campos provenientes de las ciencias de la computación.

 

El aprendizaje automático se refiere al sistema que puede aprender activamente por sí mismo, en lugar de solo recibir información de forma pasiva y procesarla. El sistema de computadoras se codifica para que responda a la información brindada como si fuera un humano mediante el uso de algoritmos que analizan los datos en busca de patrones o estructuras. Los algoritmos de ML están diseñados para mejorar el desempeño con el transcurso del tiempo, ya que se exponen a más datos.

 

Cuando un humano reconoce algo, ese reconocimiento es instantáneo. Para ayudar a imitar este proceso, los algoritmos del aprendizaje automático utilizan redes neuronales. Al igual que el proceso de aprendizaje humano, el cómputo de las redes neuronales clasifica los datos (por ejemplo, un conjunto enorme de fotografías) según los elementos reconocidos dentro de la imagen. El índice de éxito de la clasificación correcta puede mejorar con el transcurso del tiempo a través de información aportada por personas "expertas", lo que ayuda a que el sistema aprenda y discierna las decisiones correctas de las incorrectas, con la mirada puesta en la máxima eficiencia y en una mayor exactitud. El algoritmo de la red neuronal modifica todas las decisiones futuras según la información recibida. Este proceso imita el reconocimiento humano mediante el entrenamiento de la red para producir el resultado deseado.


1. Una red neuronal podría elaborar la siguiente afirmación:

1. Una forma es un elemento recurrente
2. Estas son posibles formas:

machine intelligence example 1

2. El algoritmo luego aplica este aprendizaje a los datos buscando y categorizando los elementos definidos.

machine intelligence example 2

3. Este proceso puede mejorar con el transcurso del tiempo con la ayuda de información aportada por personas. El algoritmo de la red neuronal modifica todas las decisiones futuras según la información recibida. Esto se traduce en una recopilación de datos más exacta.

Por ejemplo, si la información aportada fuese que "cada forma tiene diversas variaciones", el algoritmo puede organizar los resultados de la siguiente manera:

machine intelligence example 3

Por ejemplo, Google contrató fotógrafos profesionales y especialistas en documentales para que brindaran directrices técnicas para entrenar al algoritmo basado en redes neuronales que estaba detrás de su cámara inteligente, Clips. La información aportada ayudó a que la cámara sea más intuitiva no solo en los aspectos técnicos de la fotografía digital, sino también en cómo anticipar más cualidades abstractas en la captura de momentos inolvidables1

El aprendizaje profundo se enfoca en un subconjunto de aprendizaje automático que va aún más allá para resolver problemas, inspirado en la manera en que el cerebro humano reconoce y recuerda la información sin el ingreso de datos externos de expertos para dirigir el proceso. Las aplicaciones de DL deben acceder a enormes cantidades de datos de los cuales aprenden. Los algoritmos de DL utilizan redes neuronales profundas para acceder a amplios conjuntos de información, explorarlos y analizarlos, por ejemplo, todos los archivos de música en Spotify o Pandora para realizar sugerencias de música continuas según la preferencia de un usuario específico.


1. Una red neuronal profunda, utilizada por algoritmos de aprendizaje profundo, selecciona amplios conjuntos de información para analizar. 

deep learning example 1

2. Al procesar esta información, la red neuronal profunda desarrolla nuevas clasificaciones, por ejemplo: 

1. Las formas pueden tener distintos colores.
2. Las formas pueden tener distintos espesores.
3. Existen en total 2000 formas distintas.

3. Esto proporciona resultados muy precisos que seguirán siendo cada vez más exactos.


El principal factor distintivo entre DL y ML es la representación de los datos. Por ejemplo, en el ejemplo mencionado arriba de ML de la cámara Clips de Google, se necesitó información de fotógrafos profesionales para capacitar el sistema. Sin embargo, en el sistema de DL, no se requieren expertos para la identificación precisa de características. Los datos, ya sea una imagen, un artículo periodístico o una canción, se evalúan en su forma natural sin procesar con una transformación mínima. Este proceso de capacitación sin supervisar a veces se denomina aprendizaje de representación. Durante la capacitación, el algoritmo de DL aprende progresivamente de los datos para mejorar la exactitud de sus conclusiones (también conocidas como inferencias).

 

Los ejemplos comunes de DL aplicado hoy incluyen:

  • Manejo autónomo: mediante la combinación de datos profundos (mapas, imágenes satelitales del tránsito, informes meteorológicos, las preferencias acumuladas de un usuario), datos de un sensor en tiempo real del entorno (un ciervo en la carretera, un conductor que gira abruptamente) y la capacidad del cómputo para tomar decisiones (bajar la velocidad, girar el volante).
  • Aplicaciones médicas: en la investigación del cáncer, por ejemplo, aprender a detectar tipos de melanoma en fotografías.2.
  • Hogar inteligente: altavoces inteligentes que utilizan asistentes personales inteligentes y algoritmos de reconocimiento de voz para comprender y responder a las solicitudes verbales de un usuario singular.
  • Entretenimiento: mediante el análisis de una amplia biblioteca de datos de películas o televisión (género, actores, directores, críticas) en comparación con los gustos y las preferencias acumuladas de los usuarios.
  • Gastronomía: recomendaciones intuitivas de restaurantes según la ubicación, las críticas, la disponibilidad para reservas, las preferencias definidas y el comportamiento anterior de un usuario.

Jerga inteligente: comprender ML y DL

  • Red neuronal: un sistema de computadoras inspirado en el cerebro y el sistema nervioso humano que consiste en diferentes nodos de computadoras (dispositivos de punto final dentro de una red más amplia) que se organizan en capas. Las diferentes capas, por lo general, realizan distintos tipos de cálculos sobre los datos.
  • Red neuronal profunda: una red neuronal conformada por capas con muchos niveles ocultos que puede acceder a conjuntos amplios y más complejos de datos que las redes neuronales estándares.
  • Capacitación: el proceso de corrección y ajuste por el cual un algoritmo aprende a evaluar los datos con mayor velocidad y exactitud. La capacitación puede ser supervisada (mediante la aplicación de información humana) o no supervisada (al realizar correcciones automáticas precisas únicamente según la exposición a datos sin procesar).
  • Inferencia: llegar a conclusiones rápidas y predictivas según una combinación de nuevos datos y capacitación acumulativa aplicada.
  • Representación: detectar de forma automática características o clasificaciones de datos sin procesar, lo que permite que un sistema aprenda y realice tareas específicas.

AMD y el aprendizaje automático

Las aplicaciones inteligentes que responden con reflejos similares a los humanos requieren una enorme cantidad de capacidad de procesamiento informático. Las principales contribuciones de AMD a los sistemas de ML y DL provienen de ofrecer cómputos de alto rendimiento (tanto CPU como GPU) con un ecosistema abierto para el desarrollo de software. Las aplicaciones de ML y DL dependen del equipo informático que pueda respaldar las capacidades de procesamiento más elevadas (velocidad, capacidad y organización) para administrar de forma simultánea conjuntos de datos complejos desde varias transmisiones de datos.

Por ejemplo, en el caso del manejo autónomo, es posible que el algoritmo de DL deba reconocer el próximo cambio de verde a amarillo del semáforo, el movimiento de un peatón cercano y el agua en la calzada a diferencia de la lluvia, entre una variedad de otras variables en tiempo real, al igual que las operaciones básicas de los vehículos. Es posible que un conductor humano experimentado dé por sentado estas reacciones de coordinación. Sin embargo, para simular las capacidades del cerebro humano, el algoritmo del manejo autónomo requiere un procesamiento eficaz y acelerado para tomar decisiones complejas con la velocidad suficiente y una alta exactitud para garantizar la seguridad de los pasajeros y otros a su alrededor.

El desempeño del hardware de AMD y del software asociado también ofrece grandes beneficios al proceso de desarrollo y prueba de los sistemas de ML y DL. Actualmente, una plataforma informática basada en las tecnologías de AMD más recientes (CPU AMD EPYC™ y GPU Radeon Instinct™) puede desarrollar y probar una nueva aplicación inteligente en días o semanas, un proceso que solía demorar años.

La capacidad y la libertad para ir más allá

Las patentes de aprendizaje automático crecieron a una tasa del 34 % entre 2013 y 20173. Aunque en la actualidad se trabaja mucho en esta área, la industria aún se encuentra en etapa de formación para ayudar a las máquinas a que aprendan de manera más eficaz a partir de distintos tipos de datos. Los sistemas inteligentes que incluyen ML y DL ofrecen un enorme potencial para las aplicaciones informáticas que imitan la memoria humana, la coincidencia de patrones y la asociación de datos con velocidad y exactitud. Ya se estableció un camino y una plataforma; las próximas innovaciones no están muy lejos.

Notas a pie de página
  1. Josh Lovejoy, “La experiencia de usuario de la inteligencia artificial,” Google Design, 25 de enero de 2018, última visita: 23 de abril de 2018.
  2. Susan Scutti, “Un dermatólogo automatizado detecta cáncer de piel con precisión experta,” CNN, 26 de enero de 2017.
  3. Louis Columbus, “Resumen de previsiones de aprendizaje automático y estimaciones de mercado, 2018,” Forbes, 18 de febrero de 2018.