En el mundo de los datos cada día se bautizan nombres, algunos por meros propósitos comerciales, mientras que otros son realmente revolucionarios. El término deep learning (DL) es, sin lugar a dudas, un avance en el campo de la inteligencia artificial (IA). En los últimos años, las aplicaciones de los algoritmos de DL han ido creciendo prácticamente en todos los sectores, tanto comerciales como académicos.
Deep learning es un subcampo de machine learning inspirado por la estructura y el funcionamiento del cerebro. La modelización de dicha estructura y funcionamiento da lugar a las famosas redes neuronales artificiales. Aunque pueda parecer que el concepto de las redes neuronales es nuevo, la realidad es que muchos investigadores ya trabajaban con ellas a finales de los años noventa.
El famoso científico Andrew Ng sugirió que las simulaciones del cerebro ayudarán a mejorar el aprendizaje de los algoritmos, revolucionando así el campo de machine learning y marcando un progreso hacia la inteligencia artificial.
Por qué ‘deep’ learning
Para entender el porqué del término deep, primero tenemos que introducir el funcionamiento de las redes neuronales.
Una red neuronal artificial está constituida por varias capas y en cada una de esas capas se encuentran las neuronas. En una red densa, cada neurona de la capa está conectada con todas las neuronas de la siguiente capa. En la siguiente imagen podemos ver la representación gráfica de una red neuronal artificial.
donde tenemos tres principales partes (capas) de la red neuronal:
- La capa de entrada (input layer):
- En esta capa de la red neuronal se introducen los datos a partir de los cuales la red tomará ciertas decisiones.
- Las capas ocultas (hidden layers):
- En estas capas es donde sucede la magia, es decir, se llevan a cabo una serie de complejas operaciones matemáticas.
- La capa de salida (output layer):
- En esta capa es donde la red neuronal coloca el resultado final de las operaciones realizadas anteriormente en las capas ocultas.
Dependiendo del problema a resolver, se eligen implementar varias capas en la red neuronal. A esto se le llama la profundidad de la red, y de ahí viene el término ‘deep’.
Para ver la simulación de una red neuronal aritificial, puedes acceder a esta aplicación facilitada por desarrolladores de Tensorflow en Google.
Aplicaciones de deep learning
Los algoritmos de deep learning en general se emplean para realizar las siguientes tareas:
- Clasificación (e.g. clasificar imágenes, texto, etc).
- Regresión (e.g. predecir el valor de la moneda, los ingresos y/o pérdidas en un negocio, etc).
- Optimización (e.g. calculación de la ruta óptima en un mapa, encontrar parámetros óptimos en un negocio, etc).
A continuación de listas algunas de las aplicaciones y casos de uso reales de las redes neuronales.
Redes sociales
Las redes sociales son una de las grandes fuentes de datos a día de hoy, y las redes neuronales tienen un gran potencial en este sector. Veamos dónde y cómo:
- Facebook: nada mas subir una imagen, el servicio de facebook resalta automáticamente y enmarca los rostros para que así etiquetemos a nuestros amigos. ¿Cómo lo hacen? La respuesta es muy sencilla: con inteligencia artificial. En este video podemos ver un review de su servicio.
- Instagram: esta red social utiliza una red neuronal para identificar el significado contextual de los emojis.
- Pinterest: utiliza una IA avanzada llamada Computer Vision, que enseña a un ordenador a ver como un humano, con el fin de detectar objetos en las imágenes.
Tiendas online
Las transacciones online generan también una cantidad de datos de los cuales los empresarios están sacando partido. A continuación algunas de las aplicaciones:
- Búsquedas: los motores de búsqueda de Amazon, por ejemplo, no solo devuelve el producto buscado sino también todos los relacionados, ahorrando así el tiempo para del consumidor. Esto lo hacen utilizando las redes neuronales, clasificando los productos similares y de la misma categoría.
- Recomendación: los motores de recomendación de hoy en día no solo se basan en el historial de productos comprados, sino también el los hábitos de compra y el comportamiento del consumidor. Adivina cómo lo hacen.
Bancos
Los bancos disponen de los datos personales de sus clientes y, están sacándole todo el jugo con las tecnologías de IA.
- Productos personalizados: basándose en los datos personales de cada cliente, ofrecen productos y servicios personalizados. Esto lo hacen utilizando redes neuronales.
- Detección de fraudes: aunque el ratio de las transacciones fraudulentas es mínima, los bancos han entrenado a las redes neuronales para detectar con antelación las transacciones de dicha naturaleza, para así evitar experiencias negativas.
Cómo aprender deep learning
Sabemos que este campo no es fácil, ya que requiere de unos conocimientos previos de machine learning. A continuación, listamos algunos de los libros introductorios de deep learning:
- Deep Learning with Python
- Hands-On Machine Learning with Scikit-Learn and TensorFlow
- Deep Learning for Computer Vision with Python
Además en nebulova te ofrecemos masters y cursos avanzados para ser un auténtico experto en deep learning. Aprenderás sobre machine y deep learning con los profesionales que están activos en la investigación, innovación y sector comercial.