Aprendizaje profundo frente a aprendizaje automático

En los primeros días de las computadoras, los científicos las usaban principalmente para realizar operaciones matemáticas y lógicas simples. Luego, las computadoras evolucionaron lentamente para ejecutar cálculos complejos, resolver problemas elaborados y formar la columna vertebral de la información del mundo. Ir más allá del alcance de la informática tradicional significaba que la computadora necesitaba inteligencia.

Los investigadores e ingenieros informáticos recurrieron a imitar la inteligencia humana. La inteligencia artificial (IA) es el área de la informática dedicada a crear sistemas informáticos tan inteligentes como los seres humanos. Los modelos iniciales de IA eran sistemas informáticos que realizaban operaciones lógicas complejas. Posteriormente, se desarrollaron técnicas más avanzadas para realizar tareas más inteligentes o "inteligentes".

Dos de los términos más utilizados en IA son aprendizaje automático y aprendizaje profundo. Este artículo analiza los orígenes de estas dos técnicas, los puntos en común entre ellas y las diferencias.

Aprendizaje profundo y aprendizaje automático

El aprendizaje automático y el aprendizaje profundo son subconjuntos de la IA. Entre ellos, el aprendizaje profundo es el subconjunto del aprendizaje automático. Esto significa que todo el aprendizaje profundo es aprendizaje automático, pero no todo el aprendizaje automático es aprendizaje profundo. Para comprender las diferencias entre ellos, el término aprendizaje automático excluye el aprendizaje profundo en el resto de este artículo.

Figura 1. Un gráfico que muestra cómo la IA, el aprendizaje automático y el aprendizaje profundo se relacionan entre sí. Imagen utilizada por cortesía de Avimanyu786

Aprendizaje automático

El aprendizaje automático analiza una gran cantidad de datos para comprender las características de un conjunto de datos de entrenamiento. Lo que se ha aprendido del conjunto de datos de entrenamiento se aplica a otros conjuntos de datos para tomar decisiones "inteligentes". Los modelos creados con el conjunto de datos de entrenamiento pueden funcionar con otros conjuntos de datos similares para generar el resultado deseado.

El conjunto de datos de entrenamiento para los modelos de aprendizaje automático debe estar etiquetado y los desarrolladores deben supervisar y ajustar el proceso de aprendizaje a medida que se entrena el nuevo modelo. Además de la informática básica, los modelos estadísticos se utilizan mucho para entrenar modelos de aprendizaje automático.

Distinguir entre perros y gatos es un ejemplo común en el espacio de aprendizaje artificial. A continuación, se ofrece una descripción general de cómo se entrenan los modelos de aprendizaje automático con datos.

El modelo de entrenamiento se alimenta con miles de imágenes de perros y gatos. Cada una de esas imágenes está etiquetada como "gato" o "perro". El modelo en entrenamiento identifica características de las imágenes que distinguen a gatos, perros y el resto de objetos. Los rasgos se identifican a partir de las imágenes mediante técnicas estadísticas. Una vez que el modelo ha sido entrenado con suficientes datos, se alimenta con imágenes sin etiquetar. Si el modelo entrenado puede distinguir con éxito entre las imágenes de gatos y perros con la precisión deseada, es un modelo de aprendizaje automático exitoso.

Aprendizaje profundo

El aprendizaje profundo es la evolución del aprendizaje automático convencional. Los humanos no aprenden con miles de ejemplos etiquetados; aprenden automáticamente sin mucha ayuda externa o validación. El aprendizaje profundo acerca el aprendizaje automático a este modelo de aprendizaje inteligente.

Los modelos de aprendizaje profundo también deben entrenarse con un gran volumen de datos, pero los modelos no se entrenan con datos etiquetados. Todos los datos alimentados al modelo de aprendizaje profundo no están etiquetados. El modelo identifica diferentes elementos de los datos para dar el resultado requerido.

Figura 2. Una representación visual de las redes neuronales utilizadas en la agricultura.

Los modelos de aprendizaje profundo utilizan sistemas matemáticos complejos llamados redes neuronales para aprender de los datos. Contiene múltiples capas de funciones matemáticas con diferentes pesos. Lo "profundo" del término aprendizaje profundo proviene de estas capas de procesamiento.

Repasemos cómo los modelos de aprendizaje profundo abordan la distinción de perros y gatos. Una red neuronal se alimenta de numerosas imágenes sin etiquetar de perros y gatos. La red neuronal tiene que averiguar que hay dos conjuntos de animales en las imágenes y luego identificar cómo distinguir entre los dos animales. No se requieren datos etiquetados ni supervisión por parte de los desarrolladores.

Una vez que un modelo se entrena con éxito, puede distinguir cualquier cantidad de imágenes de perros y gatos.

Comparación del aprendizaje automático y el aprendizaje profundo

La siguiente tabla es una comparación rápida de las diferencias entre el aprendizaje automático y el aprendizaje profundo. Tenga en cuenta que el aprendizaje profundo está excluido del término aprendizaje automático para esta comparación, aunque el aprendizaje profundo es un subconjunto del aprendizaje automático.

Figura 3. Una tabla que compara el aprendizaje automático y el aprendizaje profundo.

Aplicaciones industriales para aprendizaje profundo

Tanto el aprendizaje automático como el aprendizaje profundo tienen aplicaciones industriales. El aprendizaje profundo se puede utilizar en todas las aplicaciones que se pueden lograr mediante el aprendizaje automático. Pero el aprendizaje profundo requiere más experiencia, un volumen de datos mucho mayor, mayor potencia informática y tiempo. Debido a estos factores, la elección entre ambas técnicas implica la consideración de una multitud de factores.

Cuando se requiere una mayor precisión, son preferibles los modelos de aprendizaje profundo. Sin embargo, para lograr una mayor precisión con los modelos de aprendizaje profundo, se debe procesar un gran volumen de datos, lo que implica un período de entrenamiento mucho más largo. Los algoritmos de aprendizaje automático pueden lograr un uso rutinario en la mayoría de los casos.

Otra característica general a considerar es la complejidad del problema. A medida que aumenta la complejidad, los modelos de aprendizaje profundo funcionan mejor que los modelos de aprendizaje automático. Sin embargo, no existe una regla estricta sobre dónde usar las técnicas. Por ejemplo, el aprendizaje automático es suficiente para analizar y predecir el consumo de energía en una planta. Sin embargo, no es suficiente construir un sistema de control de calidad automatizado; se necesitan algoritmos de aprendizaje profundo en tales escenarios.

Hoy en día, el aprendizaje automático es mucho más accesible que el aprendizaje profundo, incluso en la industria. Pero a su debido tiempo, los modelos de aprendizaje profundo mejorarán, reduciendo los costos de implementación y las barreras de entrada, lo que significa que habrá más potencia informática disponible a un precio más bajo. La adopción del aprendizaje profundo en la industria aumentará con el tiempo.