Aprendizaje profundo
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es un tipo de aprendizaje automático que usa algoritmos para funcionar de manera similar al cerebro humano.
Relacionado con IA y aprendizaje automático
El aprendizaje profundo es un subconjunto dentro del aprendizaje automático (ML), que a su vez es un subjconjunto de la inteligencia artificial (IA). El concepto de inteligencia artificial existe desde la década del 50 aproximadamente, con el objeto de hacer que los PC puedan pensar y razonar de manera similar a los seres humanos. Como parte de la fabricación de máquinas que puedan pensar, el ML se enfoca en cómo hacer que aprendan sin estar explícitamente programadas. El aprendizaje profundo va más allá del ML, ya que crea modelos jerárquicos más complejos para imitar el modo en que los humanos aprenden la información nueva.
Las redes neuronales impulsan el aprendizaje profundo
En el contexto de la inteligencia artificial y el ML, un modelo es un algoritmo matemático que se entrena para llegar al mismo resultado o predicción que un experto humano obtendría con la misma información. En el aprendizaje profundo, los algoritmos se inspiran en la estructura del cerebro humano y se conocen como redes neuronales. Estas redes neuronales se crean a partir de switches de red interconectados diseñados para aprender a reconocer patrones del mismo modo que lo hace el sistema nervioso y el cerebro humano.
El aprendizaje profundo impulsa el futuro
Muchos avances recientes en inteligencia artificial han sido posibles gracias al aprendizaje profundo. Desde las recomendaciones en servicios de streaming hasta las tecnologías de asistente de voz y conducción autónoma, la capacidad de identificar patrones y clasificar muchos tipos diferentes de información es crucial para procesar vastas cantidades de datos con poco o ningún aporte humano.
¿Cómo funciona el aprendizaje profundo?
Aunque el objetivo original de la inteligencia artificial era, en un sentido amplio, que las máquinas pudieran hacer cosas que de otro modo requerirían la inteligencia humana, la idea se redefinió desde entonces. Francois Chollet, investigador de inteligencia artificial en Google y creador de la biblioteca de software de aprendizaje automático Keras, dice que «la inteligencia no es una habilidad en sí misma, no es lo que puedes hacer, es con qué eficiencia puedes aprender cosas nuevas».1
El aprendizaje profundo se enfoca en mejorar el proceso de aprendizaje de las máquinas. Con inteligencia artificial y ML basados en reglas, un científico de datos determina las reglas y características del grupo de datos para incluir en modelos, lo que impulsa el modo en que funcionan los modelos. Con el aprendizaje profundo, el científico de datos entrega datos sin procesar a un algoritmo. El sistema, entonces, analiza esos datos, sin normas específicas o características preprogramadas en él. Cuando el sistema hace sus predicciones, se verifica su precisión en relación con un grupo separado de datos. El nivel de precisión de estas predicciones, o falta de ellas, informa el siguiente grupo de predicciones que hace el sistema.
La palabra «profundo» en el aprendizaje profundo hace referencia a las diversas capas de redes neuronales que se acumulan con el tiempo, y el rendimiento mejora a medida que la red crece en profundidad. Cada nivel de red procesa sus datos de manera específica, y luego esto informa la siguiente capa. Así que la salida de datos de una capa se convierte en la entrada de datos para la siguiente.
La formación de redes de aprendizaje profundo consume tiempo y grandes cantidades de datos que deben ingresarse y probar a medida que el sistema perfecciona gradualmente el modelo. Las redes neuronales llevan funcionando desde la década de los 50, pero solo desde los últimos años cuentan con poder de procesamiento y capacidades de almacenamiento de datos avanzadas hasta el punto de que los algoritmos del aprendizaje profundo se pueden emplear para crear nuevas e interesantes tecnologías. Por ejemplo, las redes neuronales del aprendizaje profundo que hicieron posible que los PC lleven a cabo tareas como el reconocimiento de voz, visión artificial, bioinformática y análisis de imagen médica.
1. Podcast 120 de Lex Fridman, «François Chollet: Medidas de inteligencia», agosto de 2020.
El aprendizaje profundo y el aprendizaje automático
Aunque todo aprendizaje profundo es aprendizaje automático, no todo el aprendizaje automático es aprendizaje profundo. Ambas tecnologías incluyen entrenamiento en relación con los datos de prueba para determinar qué modelo es mejor para los datos. No obstante, los métodos tradicionales de aprendizaje automático requieren cierto nivel de interacción humana para preprocesar los datos antes de aplicar los algoritmos.
El aprendizaje automático es un subconjunto de la inteligencia artificial. Su objetivo es dar a los PC la capacidad de aprender sin estar específicamente programadas sobre lo que tienen que brindar. Los algoritmos usados por el aprendizaje automático ayudan al PC a saber cómo reconocer cosas. Esta formación puede ser tediosa y requerir una cantidad significativa de esfuerzo humano.
Los algoritmos de aprendizaje profundo van un paso más allá, al crear modelos jerárquicos que deben reflejar los procesos de pensamiento de nuestro propio cerebro. Usa una red neuronal multicapa que no requiere preprocesamiento de los datos de entrada para producir un resultado. Los científicos de datos brindan los datos sin procesar al algoritmo, el sistema analiza los datos según lo que ya sabe, y lo que puede inferir de los nuevos datos, y hace la predicción.
La ventaja del aprendizaje profundo es que puede procesar datos de maneras que la inteligencia artificial basada en normas simples no puede. La tecnología se puede usar para impulsar resultados de negocio claros tan diversos como la mejor detección de fraude, mejores rendimientos de cultivos, mejor precisión de los sistemas de control de inventario de depósitos y muchos otros más.
Aplicaciones actuales del aprendizaje profundo
Las empresas de muchos sectores aplican modelos de aprendizaje profundo para abordar una variedad de casos de uso. A continuación se incluyen algunas de las muchas aplicaciones de aprendizaje profundo en el mundo real.
Sanidad: la industria médica hoy en día genera vastas cantidades de datos. Poder analizar con rapidez y precisión estos datos puede contribuir a la mejora de los resultados del paciente de muchas maneras. Los algoritmos de aprendizaje profundo se aplican en áreas tales como investigación médica, análisis de imágenes, prevención de enfermedades, desarrollo de medicamentos guiado, y procesamiento de lenguaje natural, que puede ser especialmente útil para completar notas clínicas de texto libre en historias clínicas electrónicas (EHR).
Fabricación: los fabricantes necesitan brindar productos y servicios de alta calidad de manera más rápida y con menos costes. Muchas empresas adoptan ingeniería asistida por ordenador (CAE) para reducir el tiempo, el gasto y los materiales necesarios para desarrollar prototipos físicos para probar nuevos productos. El aprendizaje profundo se puede usar para modelar patrones muy complejos en datos multidimensionales y mejorar la precisión del análisis de pruebas de datos.
Servicios financieros: el fraude es un problema creciente en muchos sectores, pero en particular, para los proveedores de servicios financieros. El aprendizaje profundo se puede usar para identificar conductas fuera del patrón, de manera rápida y rentable. Los conocimientos que brindan los modelos de aprendizaje profundo también pueden ayudar a evaluar mejor el riesgo crediticio de un solicitante de préstamo, predecir valores de acciones, automatizar operaciones administrativas y asesorar a clientes sobre productos financieros.
Sector público: a medida que más departamentos, sistemas y procesos se digitalizan, los organismos públicos pueden usar el aprendizaje profundo para aumentar la automatización y mejorar la eficiencia de los funcionarios. La detección y clasificación de imágenes puede facilitar a la autoridad encontrar personas de interés en espacios públicos. Las solicitudes de visado e inmigración se pueden optimizar con algoritmos para automatizar ciertos aspectos del procesamiento. En los aeropuertos se utiliza el aprendizaje profundo para mejorar la seguridad, las operaciones, y automatizar la gestión de filas. Los modelos de aprendizaje profundo pueden utilizarse incluso para ayudar a predecir condiciones de tráfico y permitir a las autoridades locales seguir pasos proactivos para facilitar la congestión de rutas.
Acelera la adopción del aprendizaje profundo con HPE
El aprendizaje profundo es ahora más accesible que nunca para organizaciones de todo tipo. HPE te puede orientar en tu transición, desde el comienzo, pasando por la optimización y la implementación a escala, para que puedas acelerar una comprensión de los datos que te conduzca a innovaciones revolucionarias. Tenemos la infraestructura, los bloques de creación, la experiencia y el acceso a partners validados para cumplir tus objetivos empresariales.
Desentraña la complejidad del aprendizaje profundo crea tu propia solución ideal. Computación de alto rendimiento líder del sector de HPE, plataformas de datos inteligentes y estructura de red de alta velocidad te permiten implementar el aprendizaje profundo a cualquier escala. Pasa rápidamente de las pruebas de concepto a su aplicación práctica con HPE Pointnext Advisory and Professional Services, que cuenta con los servicios y experiencia que necesitas para acelerar tus implementaciones de proyectos de IA de años a meses y a semanas. Y logra acceso instantáneo a las herramientas y datos de inteligencia artificial que necesitas, con HPE Ezmeral ML Ops, una solución basada en contenedores para asistir en cada etapa del ciclo de vida del aprendizaje automático.
La guía paso a paso de aprendizaje profundo de HPE proporciona una serie de herramientas para caracterizar cargas de trabajo de aprendizaje profundo y realiza recomendaciones sobre cuál es la pila óptima de software y hardware para cargas de trabajo determinadas. Las recomendaciones presentadas en nuestra Guía paso a paso de aprendizaje profundo se basan en una recopilación masiva de resultados de rendimiento para diversas cargas de trabajo de aprendizaje profundo en diferentes pilas de tecnología y modelos de rendimiento analítico. La combinación de mediciones reales y modelos de rendimiento analítico nos permite estimar el rendimiento de cualquier carga de trabajo y recomendar una pila óptima para esa carga de trabajo.
Junto con NVIDIA, HPE ofrece un portfolio líder de soluciones optimizadas de inteligencia artificial y aprendizaje profundo. Ofrecemos aprendizaje profundo a través de talleres en línea e impartidos por instructores, arquitecturas de referencia y estudios comparativos sobre aplicaciones aceleradas por GPU de NVIDIA. Nuestras soluciones se diferencian por los conocimientos profundos y contrastados en inteligencia artificial, el extenso ecosistema de aprendizaje profundo y los marcos de software de inteligencia artificial.