Deep Learning Explicado: La Clave de la IA Moderna

La película de Arnold Schwarzenegger de 1990 Total Recall (Desafío Total) muestra una historia en 2084, casi un siglo en el futuro. El futuro tendrá coches autónomos, según la película. Esto era ciencia ficción en 1990 pero realidad hoy. Apple, Alphabet, Nissan, Uber y muchas más empresas trabajan en coches autónomos. Tesla vende coches autónomos funcionales a consumidores finales, que parecen funcionar bien.

¿Qué hizo que la ciencia ficción se volviera realidad en apenas tres décadas? La respuesta es deep learning.

De la Inteligencia Artificial al Deep Learning

Hefesto, el dios griego del fuego y la metalurgia, creó robots y máquinas de oro. Ya en el Turco Mecánico de los 1770s, los humanos han desarrollado artilugios que imitan la inteligencia humana. Aunque los turcos mecánicos eran engaños, luego se desarrollaron computadoras capaces de derrotar humanos a finales del siglo XX. Todo ello en esfuerzos por crear sistemas que imiten el cerebro humano.

Figura 1. Sección transversal del Turco. Imagen cortesía de Biblioteca de la Universidad de Humboldt.

La inteligencia artificial (IA) es el término para cualquier sistema computacional que intenta imitar el cerebro humano. La máquina de Turing de Alan Turing fue un sistema IA primitivo que usaba lógica para llegar a soluciones.

El machine learning (ML) es un subconjunto de IA que usa modelos para realizar tareas. Estos modelos se entrenan con gran cantidad de datos. Deep Blue, la computadora que venció al campeón mundial de ajedrez Garry Kasparov en 1997, es ejemplo de ML.

El deep learning es a su vez un subconjunto de ML donde los modelos aprenden de datos sin supervisión humana. Los sistemas de deep learning son por tanto capaces de aprendizaje no supervisado de datos no estructurados.

Deep Learning: ¿Cómo Funciona?

El deep learning se inspira en la estructura de cerebros humanos que constituyen neuronas que transmiten y procesan información. Las estructuras usadas en deep learning se llaman redes neuronales artificiales (ANN). Las ANN pueden identificar y clasificar información sin supervisión humana y se dice que son capaces de aprendizaje no supervisado. Esto requiere un volumen de datos mucho mayor comparado al ML convencional, que usa aprendizaje supervisado.

Las ANN consisten en múltiples capas desde la capa de entrada a la de salida, por las que pasan los datos. Las capas restantes que no son de entrada ni salida se llaman capas ocultas. La primera capa de ANN, o capa de entrada, está hecha de neuronas. Las neuronas de una ANN son funciones matemáticas que representan cercanamente una neurona humana.

Figura 2. Concepto de capa de entrada y salida de ANN.

La transmisión de información a través de diferentes capas es mediante canales de conexión. Cada nodo en capas de ANN está conectado a cada nodo en la siguiente capa con estos canales. Cada canal tiene un valor adjunto, llamado su peso; por tanto, los canales se llaman canales ponderados.

Todas las neuronas en capas ocultas tienen un número único asociado llamado sesgo (bias). La información pasa de una capa a la siguiente por los canales, tomando los pesos asociados. Al llegar a la neurona en la siguiente capa, el sesgo se suma a la suma ponderada de entradas.

El resultado de esta operación matemática se alimenta a la función de activación. La función de activación decide si la neurona debe activarse o no. Esto se hace aplicando la función de activación no lineal al resultado obtenido sumando el sesgo a las sumas ponderadas de los canales. Las funciones de activación añaden no linealidad a la salida de una neurona.

Solo las neuronas activas tras la aplicación de la función de activación pueden enviar información a la siguiente capa. Esto continúa hasta la capa final, la de salida. Los pesos de los canales de las neuronas y sesgos en capas ocultas se ajustan constantemente para recibir un modelo bien entrenado.

Algunos de los frameworks de deep learning más populares son:

• TensorFlow de Google
• PyTorch de Facebook
• Caffe de UC Berkeley
• Microsoft Cognitive Toolkit
• OpenAI

Datos para Deep Learning

Los datos son la materia prima del deep learning. Teóricamente, cualquier cantidad de datos mejora los modelos. Pero considerando el esfuerzo de recopilación, tiempo de entrenamiento y potencia computacional requerida, la cantidad de datos no puede ser infinita. Por el contrario, muy pocos datos no darán un modelo fiable.

No hay regla fija para la cantidad de datos requerida para entrenar un modelo exitoso. Depende principalmente del resultado de modelos entrenados. Si los modelos no son adecuadamente fiables, se requieren más datos. Hay algunas reglas prácticas para los datos mínimos requeridos:

• Al menos 20 puntos de datos para predicciones con análisis de regresión
• Al menos 1.000 imágenes para clasificación con visión por computadora

Estas son dos heurísticas para aplicaciones más comunes con deep learning. Ingenieros de datos abogan por reglas similares para diferentes aplicaciones. Como con todas las reglas prácticas, no son perfectas y necesitan cambio según la aplicación específica.

Aplicaciones Industriales del Deep Learning

Hay muchas aplicaciones industriales para deep learning. Repasemos algunas.

Vehículos Autónomos

Los coches autónomos se venden a consumidores ahora, pero también tienen muchas aplicaciones industriales. La conducción autónoma puede incorporarse en dispositivos de transporte usados en fábricas; por ejemplo, vehículos guiados autónomos (AGV) pueden volverse totalmente autónomos. Esto elimina la necesidad de mano de obra manual en tales tareas mientras mejora seguridad y eficiencia.

Figura 3. Un AGV usado en un almacén logístico.

Visión por Computadora

Las computadoras clasifican y reconocen objetos de imágenes. A veces, la visión por computadora es parte de vehículos autónomos, pero tiene muchos más usos en aplicaciones industriales. La visión por computadora puede automatizar clasificación de objetos. Sistemas asistidos por visión pueden realizar inspecciones de calidad. También puede automatizar la vigilancia de instalaciones y procesos industriales.

Gestión de Cadena de Suministro

La cadena de suministro de una empresa es un sistema complejo que abarca múltiples proveedores, geografías y regulaciones. Gestionar manualmente un enorme volumen de tráfico de bienes es imposible. El deep learning puede emplearse para mantener una cadena de suministro sana analizando grandes volúmenes de datos generados con ayuda de dispositivos IoT (Internet de las Cosas) en la cadena.

Aplicaciones Médicas

El deep learning también tiene muchas aplicaciones médicas. Puede emplearse para identificar anomalías en resultados de imágenes médicas como rayos X, resonancias, etc. También puede monitorizar salud de pacientes con dispositivos de monitorización conectados las 24 horas. El deep learning puede asistir en descubrimiento de fármacos dando la combinación más probable de moléculas.

El deep learning tiene muchas más aplicaciones industriales en aeroespacial, exploración espacial, minería, navegación, sistemas de defensa, ciberseguridad, y la lista continúa. El deep learning se está adoptando rápidamente en todos los verticales industriales y pronto será un elemento crítico e inevitable de la Industria 4.0.