Machine Learning y Deep Learning, parecidos pero no iguales
Álvaro Saavedra.
Resumen del artículo publicado en PrivateWall Magazine. Puedes leer el articulo completo en: http://www.privatewallmag.com/inteligencia-artificial-machine-deep-learning/
Pensemos en una persona a la que conocemos a la perfección, alguien a quien reconoceríamos simplemente por un gesto, la forma de andar o la silueta, incluso aunque estuviera disfrazado, sin ni siquiera ver su cara. Por ejemplo, tomemos a nuestro hermano, padre o madre. Ahora pensemos que tuviéramos que buscar e identificar a esa persona entre otras miles. Si fuéramos nosotros mismos los que buscáramos, seguramente en más o menos poco tiempo lo habríamos localizado sin lugar a fallo.
Ahora bien, ¿que pasaría si tuviéramos que enseñar a alguien como encontrarlo? Podríamos dar a esa persona multitud de detalles, datos que consideraríamos vitales e incluso pasar horas dándole información adicional seguramente no necesaria pero, ¿quién reconocería más rápido y con una mayor probabilidad de acierto a quien estamos buscando? La respuesta parece clara.
El motivo de que nuestra capacidad de reconocimiento sea mucho mayor, es que nuestro cerebro ha estado años recogiendo millones de muestras de esa persona a partir de las cuales ha desarrollado la capacidad de identificar únicamente aquellos datos cruciales que necesita. Por mucho que quisiéramos explicar a un tercero qué detalles tendría que buscar, éste tendría que ir sujeto por sujeto, evaluando si cumple o no con cada uno de los patrones de búsqueda. Tomándose mucho más tiempo, equivocándose varias veces y haciendo necesario reconsiderar constantemente la combinación de los datos que le habíamos dado inicialmente. Por ahí va la diferencia entre el Machine Learning y el Deep Learning.
En el primero, al sistema se le proporciona a un algoritmo un conjunto de reglas para que las aplique cuando se encuentre con los datos pertinentes y el sistema eso sí, tiene la capacidad de adaptar dichas reglas y crear otras nuevas para mejorar su tasa de acierto. Su mayor limitación consiste precisamente, en que aquellas características que son objeto de análisis estadístico deben ser previamente especificadas por el programador de forma manual.
En el Deep learning el aprendizaje se hace a un nivel más detallado, en este caso el entrenamiento va por capas o unidades neuronales. En el Deep learning cada capa procesa la información y arroja un resultado que se revela en forma de ponderación. Lo que hace este sistema es reducir el margen de error y, por tanto, aumentar la precisión de las conclusiones. Su mayor limitación es que necesita un número muy alto de datos para que el algoritmo tome decisiones correctas.
Hace poco más de un mes, IBM ha lanzado el “Deep Learning as a Service” con el objetivo de que la inteligencia artificial avanzada sea más accesible para los usuarios de todo el mundo