Deep Learning vs Machine Learning: Entendiendo las Diferencias Clave

En los inicios de la computación, los científicos las usaban principalmente para operaciones matemáticas y lógicas simples. Luego, los ordenadores evolucionaron para ejecutar cálculos complejos, resolución elaborada de problemas y formar el backbone de información del mundo. Ir más allá de la computación tradicional significaba que el ordenador necesitaba inteligencia.

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

Dos de los términos más usados en IA son machine learning y deep learning. Este artículo examina los orígenes de estas dos técnicas, sus similitudes y diferencias.

Deep Learning y Machine Learning

Machine learning y deep learning son subconjuntos de IA. Entre ellos, deep learning es subconjunto de machine learning. Esto significa que todo deep learning es machine learning, pero no todo machine learning es deep learning. Para entender las diferencias, el término machine learning excluye deep learning en el resto del artículo.

Figura 1. Gráfico mostrando cómo se relacionan IA, machine learning y deep learning. Imagen cortesía de Avimanyu786.

Machine Learning

El machine learning analiza gran cantidad de datos para entender las características de un conjunto de datos de entrenamiento. Lo aprendido se aplica a otros conjuntos para tomar decisiones "inteligentes". Los modelos creados con el conjunto de entrenamiento pueden trabajar con otros conjuntos similares para generar la salida deseada.

El conjunto de entrenamiento para modelos de machine learning debe estar etiquetado, y los desarrolladores deben supervisar y ajustar el proceso de aprendizaje mientras el nuevo modelo se entrena. Además de computación básica, los modelos estadísticos se usan mucho para entrenar modelos de machine learning.

Distinguir entre gatos y perros es un ejemplo común en el espacio de aprendizaje artificial. Aquí una visión general de cómo se entrenan modelos de machine learning con datos.

El modelo en entrenamiento recibe miles de imágenes de gatos y perros. Cada imagen está etiquetada como "gato" o "perro". El modelo identifica características de las imágenes que distinguen gatos, perros y el resto de objetos. Los rasgos se identifican usando técnicas estadísticas. Una vez entrenado con datos suficientes, se le dan imágenes sin etiquetar. Si el modelo entrenado distingue exitosamente entre imágenes de gatos y perros con la precisión deseada, es un modelo de machine learning exitoso.

Deep Learning

El deep learning es la evolución del machine learning convencional. Los humanos no aprenden con miles de ejemplos etiquetados; aprenden automáticamente sin mucha ayuda o validación externa. El deep learning lleva el machine learning un paso más cerca de este modelo de aprendizaje inteligente.

Los modelos de deep learning también deben entrenarse con gran volumen de datos, pero no con datos etiquetados. Todos los datos alimentados al modelo son sin etiquetar. El modelo identifica diferentes elementos de los datos para dar la salida requerida.

Figura 2. Representación visual de redes neuronales usadas en agricultura.

Los modelos de deep learning usan sistemas matemáticos complejos llamados redes neuronales para aprender de datos. Contiene múltiples capas de funciones matemáticas con diferentes pesos. Lo "profundo" (deep) en deep learning viene de estas capas de procesamiento.

Veamos cómo el deep learning aborda distinguir gatos y perros. Una red neuronal recibe numerosas imágenes sin etiquetar de gatos y perros. La red debe averiguar que hay dos conjuntos de animales en las imágenes e identificar cómo distinguirlos. No se requieren datos etiquetados ni supervisión de desarrolladores.

Una vez entrenado exitosamente, el modelo puede distinguir cualquier número de imágenes de gatos y perros.

Comparando Machine Learning y Deep Learning

La siguiente tabla compara rápidamente las diferencias. Ten en cuenta que deep learning se excluye del término machine learning para esta comparación, aunque es un subconjunto.

	Machine Learning	Deep Learning
Datos de entrenamiento	Datos etiquetados	Datos sin etiquetar
Supervisión	Aprendizaje supervisado	Aprendizaje no supervisado
Técnicas	Principalmente técnicas estadísticas	Funciones matemáticas avanzadas
Volumen de datos	Relativamente menos datos requeridos	Volumen muy grande requerido
Precisión	Precisión relativamente baja	Mayor precisión con gran volumen
Tiempo de entrenamiento	Relativamente poco	Muy alto

Figura 3. Tabla comparando machine learning y deep learning.

Aplicaciones Industriales del Deep Learning

Tanto machine learning como deep learning tienen aplicaciones industriales. El deep learning puede usarse en todas las aplicaciones que logre machine learning. Pero deep learning requiere más experiencia, mucho mayor volumen de datos, mayor potencia computacional y tiempo. Por estos factores, la elección entre ambas técnicas implica considerar múltiples factores.

Cuando se requiere mayor precisión, los modelos de deep learning son preferibles. Sin embargo, para lograr mayor precisión con deep learning, se debe procesar un volumen muy grande de datos, implicando período de entrenamiento mucho más largo. Los algoritmos de machine learning logran uso rutinario en la mayoría de instancias.

Otra característica a considerar es la complejidad del problema. A medida que aumenta la complejidad, los modelos de deep learning funcionan mejor que los de machine learning. Sin embargo, no hay regla fija sobre dónde usar cada técnica. Por ejemplo, machine learning basta para analizar y predecir consumo energético en una planta. Pero es insuficiente para construir un sistema automatizado de control de calidad — se necesitan algoritmos de deep learning.

Hoy, machine learning es mucho más accesible que deep learning, incluso en la industria. Pero con el tiempo, los modelos de deep learning mejorarán, reduciendo costes de implementación y barreras de entrada, significando que más potencia computacional estará disponible a menor precio. La adopción de deep learning en la industria aumentará con el tiempo.