Aprendizaje profundo

Aprendizaje profundo o deep learning
Twitter
WhatsApp
LinkedIn
Facebook
Telegram
Email

A medida que se avanza en los campos de la tecnología, la ingeniería y la ciencia, comenzamos a construir máquinas que pueden imitar con mayor precisión y éxito la inteligencia humana. La inteligencia artificial continúa evolucionando y trae consigo tanto entusiasmo como miedos.

La inteligencia artificial es el campo general de las computadoras a las que se les enseña cómo imitar los patrones de pensamiento humano, que se pueden dividir en diferentes técnicas. Los subgrupos de inteligencia artificial son el aprendizaje automático y el aprendizaje profundo.

El aprendizaje profundo es una técnica en la que las máquinas se programan de manera similar al cerebro humano. Así como el cerebro humano aprende de la experiencia, cuando las máquinas usan la técnica de aprendizaje profundo, usan grandes cantidades de datos para desarrollar un algoritmo. Por ejemplo, los asistentes personales controlados por voz, como Siri en su teléfono, desarrollan un algoritmo aprendiendo de ejemplos. Para responder adecuadamente a las solicitudes humanas, los algoritmos reciben ejemplos de voces humanas que realizan solicitudes.

Historia

Las máquinas con capacidades similares a las humanas han sido objeto de interés y debate desde que la ciencia ficción les dio vida a mediados del siglo XX. Académicamente, el aprendizaje profundo se vinculó por primera vez con la investigación realizada por Walter Pitts y Warren McCulloch. Walter Pitts era un lógico que trabajaba en el campo neurocientífico y Warren McCulloch era neurofisiólogo y especialista en las comunicaciones en las máquinas.

En 1943, Pitts y McCulloch crearon un modelo informático basado en las redes neuronales del cerebro. La pareja se mudó de la Universidad de Chicago al MIT para trabajar en el primer departamento de ciencia cognitiva. Diseñaron una máquina que imitaba la función de una neurona biológica. Una neurona recibe una señal a través de su dendrita, la procesa a través del soma y luego la pasa como salida a través de una estructura similar a un cable llamada axón. El axón está conectado a otras neuronas creando algún tipo de respuesta. Nuestros órganos de los sentidos, como nuestros ojos, interactúan con el entorno y toman una entrada, la procesan y emiten una salida.

Por ejemplo, cuando miramos un comediante nuestro cerebro toma la entrada como la broma. La procesa, determina si es divertida y luego desarrolla una respuesta: una risa. Pitts y McCulloch desarrollaron una máquina basada en este proceso cerebral y su modelo se conoció como la neurona MP.

La neurona que revolucionó el aprendizaje profundo

Era un modelo simple ya que usaba una función de entrada binaria, donde solo dos entradas podían ocurrir simultáneamente. En 1958, Frank Rosenblatt, un psicólogo estadounidense, presentó un nuevo modelo: el modelo de perceptrón clásico que usaba la neurona artificial. Su modelo introdujo la diferencia de pesos, donde algunas entradas podrían tener un mayor impacto en el resultado que otras. Las entradas pueden ser inhibidoras y anular todas las demás entradas, o excitatorias.

A lo largo de los años, lógicos, neuropsicólogos y psicólogos han seguido refinando el modelo y mejorando los sistemas de aprendizaje profundo. Esto ha permitido que los algoritmos de las máquinas y las computadoras se vuelvan cada vez más similares a la mente humana. Según Terrence Sejnowski, el momento en que el aprendizaje profundo se hizo popular fue en 2012 en una conferencia sobre inteligencia artificial. En esta conferencia, el informático Geoffrey Hinton demostró que se podía tomar un gran conjunto de datos y clasificarlo un 20% mejor que el aprendizaje automático.

Impacto

El aprendizaje profundo se trata de entender el cerebro como una red neuronal, lo que nos permite crear máquinas que imitan los mismos algoritmos que nuestros cerebros.

Antes del aprendizaje profundo, los informáticos intentaron lograr inteligencia artificial a través del aprendizaje automático. Con el aprendizaje automático, los humanos deben programar sistemas con algoritmos para verificar cosas específicas al analizar datos y cuál es el resultado apropiado. Por ejemplo, si desea que una máquina diferencie entre manzanas y naranjas, deberá ingresar las diferentes características de las manzanas y las naranjas. Desarrollaría un algoritmo para el sistema de aprendizaje automático, como ‘si es rojo y/o tiene un tallo y/o una superficie brillante, entonces manzana’. Eso significa que el aprendizaje automático solo se puede usar para encontrar funciones preprogramadas y solo ayuda a analizar datos con un enfoque específico y limitado.

Algoritmos emergentes

Cuando se trata de aprendizaje profundo, no tenemos que programar las funciones en un algoritmo, ya que desarrolla su propio algoritmo después de analizar grandes cantidades de datos. La máquina aprenderá a través del procesamiento de datos a través de su red neuronal, sin intervención humana.

Si una computadora se programó de acuerdo con el aprendizaje automático y encontró una manzana de aspecto inusual, es posible que no la reconozca como una manzana porque se programó para buscar y clasificar solo en función de tres características: color, tallo y superficie brillante. Es más probable que el aprendizaje profundo, que ha creado su propio sistema después de encontrar cientos de manzanas, aún pueda identificar una manzana que tiene características diferentes o atípicas. El aprendizaje profundo funciona mejor cuantos más datos encuentra, mientras que el aprendizaje automático funciona peor porque no está tan en sintonía con las variables de los datos.

El aprendizaje profundo ha revolucionado lo que pueden hacer las computadoras. El reconocimiento facial y la detección de objetos a partir de fotografías o videos son posibles gracias al aprendizaje profundo. Los vehículos automáticos, sin conductor, también son posibles gracias al aprendizaje profundo. ¡Siri, Alexa o Hey Google solo son posibles gracias al aprendizaje profundo también! Las posibilidades son infinitas.

Controversias

El aprendizaje profundo permite que las máquinas procesen más datos y decidan una respuesta adecuada incluso cuando se encuentran con variables, lo que se cree que lo hace «más inteligente» que un algoritmo preprogramado. Sin embargo, dado que el aprendizaje profundo significa que las máquinas aprenden por sí mismas sin intervención humana, aprender cuál es el resultado apropiado para cada dato requiere mucha práctica. Para que el aprendizaje profundo funcione mejor que el aprendizaje automático, las computadoras deben encontrar muchos datos para formar rutas neuronales entre una entrada y una salida deseada.

Dado que el aprendizaje profundo requiere grandes cantidades de datos, también puede ser muy costoso. El modelo de datos complejo requiere maquinaria de última generación que cuesta mucho. Sin embargo, a medida que avanzamos en tecnología, las computadoras y otras máquinas de inteligencia artificial se vuelven menos costosas, mientras que el trabajo humano se vuelve más costoso. Dado que el aprendizaje profundo no requiere programación ni intervención humana, se podría argumentar que, a largo plazo, en realidad es más económico.

Análisis de imágenes médicas

Para averiguar si algo está mal a través de imágenes médicas, las computadoras deben poder analizar imágenes e identificar si hay algo anormal en la imagen. Sin embargo, antes del aprendizaje profundo, estas computadoras tenían que programarse con qué buscar, lo que les dio una tarea de enfoque muy limitada. Podrían programarse para encontrar rastros de una enfermedad específica, pero si hubiera una anomalía externa a esa enfermedad, clasificaría la imagen médica como normal. Los radiólogos tendrían que saber exactamente qué buscar para saber qué algoritmo programar.

Ahí es donde entra en juego el aprendizaje profundo y puede ser particularmente útil para analizar radiografías de tórax. Hay una gran cantidad de anomalías en las radiografías de tórax que, según los investigadores de inteligencia artificial de Google, «hacen que sea poco práctico detectar todas las condiciones posibles mediante la construcción de múltiples sistemas separados, cada uno de los cuales detecta una o más condiciones preespecificadas».

Aprendizaje profundo para radiografías de tórax

Es por eso que los investigadores de inteligencia artificial de Google crearon un sistema de aprendizaje profundo que puede detectar si una radiografía de tórax es anormal o no. Si bien es posible que no nos informe exactamente qué es lo que está mal, permite a los radiólogos saber qué casos necesitan su atención y qué casos se pueden excluir, lo que acelera el proceso clínico. Una prueba es suficiente para ver una bandera roja e investigar en consecuencia.

Entonces, ¿cómo construyeron los investigadores un sistema confiable de aprendizaje profundo que pudiera detectar anomalías peligrosas, pero no detectó anomalías benignas? Los ingenieros de aprendizaje profundo a menudo enfrentan el desafío de que sus máquinas se vuelvan sensibles a factores irrelevantes. Por ejemplo, un sistema de aprendizaje profundo diseñado para uso médico para detectar cáncer de piel comenzó a detectar marcas de reglas en la piel y clasificar esas imágenes como cancerosas.

La respuesta está en los grandes datos: cuantos más datos, mejor será el sistema de aprendizaje profundo. Los investigadores construyeron el sistema usando 250.000 radiografías de cinco hospitales en la India, y luego evaluaron si era preciso cuando se trataba de escaneos de otros países también mediante referencias cruzadas con radiografías de China y EE. UU.

Si bien la investigación de Google aún no vuelve obsoletos a los radiólogos, su sistema es definitivamente una herramienta útil para la eficiencia y la precisión.

Temas relacionados

Inteligencia artificial : una técnica que permite que una máquina reproduzca el comportamiento humano. Es la ciencia y la ingeniería de las máquinas que imitan la resolución de problemas y la toma de decisiones humanas.

Machine Learning : una técnica para lograr inteligencia artificial mediante el uso de algoritmos y datos. Ayudó a sentar las bases para el aprendizaje profundo.

Deep Learning: un tipo de inteligencia artificial en el que las máquinas se basan en la estructura y función del cerebro humano.

Conexionismo: una teoría de la inteligencia artificial que intenta comprender cómo aprenden las personas y cómo funciona la memoria examinando y mapeando el cerebro a nivel neuronal.

Entradas inhibitorias: una entrada que tiene un efecto máximo en la decisión que se toma. Independientemente de otras entradas, si esta está presente, ocurrirá un resultado particular. Por ejemplo, una entrada como hacer cosquillas puede tener prioridad sobre todas las demás entradas y automáticamente hacerte reír. Se llaman inhibidores porque inhiben la importancia de otras entradas.

Entradas excitatorias: estas entradas, por sí solas, no provocan necesariamente que se dispare una salida, pero cuando se combinan con otras, pueden provocar que se produzca una salida.

Función de activación: los canales de fórmula, que se encuentran entre la entrada y la salida de una máquina, se utilizan para determinar la salida.

Máquina de Turing: un modelo matemático que reduce un dispositivo informático a lo esencial.6 Cuando se trata de aprendizaje profundo, significa que reduce el cerebro a su estructura lógica esencial de activación de neuronas.

Perceptrones: un tipo de red neuronal artificial investigada por Frank Rosenblatt.

Error back-propagation: un algoritmo desarrollado por Rosenblatt que entendió que los modelos de aprendizaje profundo tenían que incorporar tanto feedforward como feedback. Cuando una computadora está aprendiendo, las entradas que no dan como resultado la salida deseada siguen siendo útiles, ya que proporcionan una forma de retroalimentación de errores.

Fuentes

  1. Laboratorio de decisiones. (2022). Deep Learning. (S. Melzner, trad)
  2. Marr, B. (2018, 1 de octubre). ¿Qué es la IA de aprendizaje profundo? Una Guía Sencilla Con 8 Ejemplos Prácticos. Forbes.
  3. Cotizaciones de aprendizaje profundo. (Dakota del Norte). Buenas lecturas. Recuperado el 22 de septiembre de 2021, de Goodreads
  4. ¿Qué es el aprendizaje profundo? (2020, 1 de mayo). IBM.
  5. Copeland, BJ (9 de enero de 2020). Conexionismo. Enciclopedia Británica.
  6. Chandra, Alabama (7 de noviembre de 2018). Historia del Perceptrón. Medio. Recuperado el 22 de septiembre de 2021 de Towards
  7. Máquina de Turing. (2020, 3 de abril). Enciclopedia Británica.

Leé más conceptos tendencias modelos casos contenidos materiales adelantos guías

Completá tus datos para recibir una serie de 10 envíos escritos para vos.

Prospectiva para mirar mejor el futuro.

Prospectiva

La prospectiva es un enfoque sistemático y orientado a la planificación para estar preparado ante los cambios del futuro.

efecto halo

Efecto halo

El efecto halo es un sesgo cognitivo que afirma que las impresiones influyen positivamente en nuestra percepción sobre los demás atributos.

Sunstein

Cass Sunstein

Las ideas de Cass Sunstein se pueden escuchar en leyes, políticas, ciencias del comportamiento, salud, enseñanza y consultoría legal. 

Daniel Kahneman

Daniel Kahneman

Daniel Kahneman ha tenido una gran influencia en el campo psicológico del juicio, los sesgos cognitivos y la toma de decisiones. 

Microeconomía en las decisiones familiares.

Microeconomía

La microeconomía es una rama de la economía que estudia cómo las personas, los hogares y las empresas toman decisiones sobre sus recursos.

Efecto de dotación en lo que nos pertenece.

Efecto dotación

El efecto de dotación es la tendencia humana a otorgar más valor a los artículos que poseemos simplemente porque nos pertenecen.

machine learning y aprendizaje automático

Aprendizaje automático

El aprendizaje automático es el proceso en el que una computadora intenta aprender de experiencias pasadas utilizando algoritmos.

No te vayas...

Es el resultado de más de una década de investigación y trabajo aplicado, aprendiendo sobre los sesgos cognitivos y utilizando la potencia de la tecnología para aprovecharlos.