Qué es el Deep Learning
Deep Learning, eso de lo que tanto se habla
Hola de nuevo, me encanta encontrarme contigo, porque, si has llegado hasta aquí, bien tienes curiosidad sobre el Deep Learning, bien lo conoces y quieres averiguar mi perspectiva sobre el mismo.
Bueno, en ambos casos, debo adelantarte que voy a emplear el menor número de tecnicismos posibles, limitándome, en todo caso, a alguna formulación matemática (muy, muy sencilla) o a alguna expresión aislada. Si algo así ocurriese, siempre lo explicaré, ya sabes,..... esto es...
IA para to2
Comencemos entonces, porque si has leído este artículo, que publiqué hace poco, ya sabrás qué es el aprendizaje automático (en qué consiste) y que el aprendizaje profundo es un subconjunto de técnicas de las que abarca el Machine Learning.
Y es que, no todas las redes neuronales son consideradas Deep Learning....
"Red Neuronal", espera, que hace un momento he prometido no hablar en idioma desconocido,.... ah!, si, en el artículo que he mencionado antes explico cómo funcionan, pero deja que te lo recuerde...
Y es que una red neuronal no es más que un conjunto de capas (en su caso más sencillo, como el de la imagen, una secuencia de capas, donde en cada capa hay un conjunto de "neuronas artificiales", perceptrones normalmente, que tienen un número 'n' de entradas. Cada uno de los perceptrones genera una salida o respuesta. Es decir, simulando las neuronas biológicas, a partir de determinados estímulos, tienen una reacción, que estimula a las neuronas de la capa siguiente, del mismo modo que las neuronas biológicas se estimulan unas a otras.
En cada capa, las neuronas se comportan del mismo modo, es decir, con una misma fórmula matemática, pero cambiando los datos, los números, en que basan su comportamiento, aunque de una capa a otra ese comportamiento sí que varía (de hecho, lo que puede varíar es la denominada "función de activación", una función matemática que sirve para "modular" la salida de cada neurona).
Ahora que ya sabes qué es una red neuronal (un modelo matemático, generalmente complejo), debo decirte que maneja cientos de miles, e incluso cientos de millones de números, que durante su proceso de entrenamiento o aprendizaje, ajusta, para después, generar "respuestas" fiables frente a los estímulos del tipo para los que ha sido entrenada.
El concepto "profundo" del Deep Learning
Volviendo a mi afirmación anterior, en la que decía que "no todas las redes neuronales artificiales (RNA) se consideran Deep Learning o aprendizaje profundo",... es cierto. Dependiendo del autor, se considera Deep Learning a aquellas redes neuronales que cuentan con un mínimo de 3 o de 5 capas intermedias u ocultas (sin contar la de entrada ni la de salida). En mi opinión, con 2 o 3 capas ocultas ya es Deep Learning. Y es que el término "profundo" hace referencia a la complejidad del modelo matemático.
Al final se trata de un sistema de optimización matemática, que recibe datos (de cualquier tipo, traducidos a números) y que, basándose en ellos, encuentra relaciones complejas entre los mismos para generar una respuesta.
Por ejemplo, pensemos en una red neuronal artificial -RNA- cuya entrada sea una foto de una persona (cientos de miles o incluso millones de puntitos de colores agrupados) cuya respuesta sea si se trata de un hombre o de una mujer (un modelo clasificador). En este caso, la red neuronal identificaría rasgos faciales, la figura, etc .... pero todo no desde una perspectiva natural, (como creemos que lo hacemos nosotros) sino de una forma muy detallada inicialmente, para luego, ir generando conclusiones más generales (es como si al ver una foto nosotros, justificáramos la respuesta a partir del análisis detallado de todas las características, como estatura, corpulencia, figura, volumen pectoral, rasgos faciales diferenciales, longitud de las pestañas, etc.....y, finalmente, hiciéramos un resumen concluyente relacionando todas las conclusiones parciales). Por eso es un modelo matemático complejo, solo que nuestra red neuronal no nos explica nada, nos da la respuesta, haciendo todo ese "razonamiento" matemático, pero sin explicárnoslo.
De ahí que se utilice el término profundo, porque lo analiza todo en una profundidad que nosotros creemos que no utilizamos en realidad (... ¿o sí? ¿somos inconscientemente "Deep"?)
Aplicaciones de Deep Learning
En en mi artículo anterior hablo sobre aplicaciones de la IA, y explico las diferentes grandes áreas de aplicación, así como desgrano otras o presento casos específicos. Pero....¿dónde podría aplicarse Deep Learning?. La respuesta es tan rotunda como decir "en casi todos los casos puede aplicarse DL, otra cosa es que sea la mejor opción o la más práctica (y es que como se trata de construir un modelo basado en capas, pues para unos casos sería un modelo más sencillo y para otros un modelo de mayores dimensiones....) simplemente eso.
Pero seguro que estás pensando que mejor con ejemplos concretos, así que vamos a ello.
Y, como uno de los casos más llamativos es el de la visión artificial o visión por computador, empezaré poniendo algún ejemplo práctico y de impacto, como por ejemplo la detección de Alzheimer a partir de escáneres cerebrales o la detección de masas tumorales a partir de radiografías. Otros ejemplos mas habituales serían "indicar si en la foto hay un objeto o más de uno" o "reconocimiento facial para, por ejemplo, desbloquear tu teléfono móvil".
Las técnicas de Deep Learning también se utilizan mucho dentro del campo del procesamiento del lenguaje natural (NLP), donde con arquitecturas de tipo Transformer (mencionadas en mi anterior artículo, pero que no son más que redes neuronales bastante complejas), se realizan multitud de tareas, como resúmenes automáticos, extracción de características de un texto, detección de emociones en textos, traducción automática o generación de respuestas a preguntas a partir del análisis de un texto, entre otras.
Otro detalle interesante es que hay un conjunto de técnicas de Machine Learning, que se denomina aprendizaje por refuerzo o Reinforcement Learning, que, cómo no, tiene su versión "Deep" -Deep Reinforcement Learning- cuando se utilizan reder neuronales para "aproximar" determinados cálculos, que se denominan "funciones de valor". en problemas relativamente complejos, la aplicación de RNA en Reinforcement Learning se hace imprescindible
Dentro del sector financiero, es muy habitual emplear redes neuronales para por ejemplo, predicción del precio de las acciones, o análisis de nivel de riesgo crediticio.
Dentro del campo de la ciber seguridad también es de aplicación (desde la detección de posibles ataques por red como para detección de posibles estafas online).
Redes GAN
Pero, eso si, si hay una aplicación de Deep Learning que llama la atención, es cuando se emplea con lo que se denomina Redes Generativas Adversariales (GAN, por su expresión en inglés), ya que es la tecnología que se emplea para realizar Deep Fakes, aunque, como puedes ver a continuación, también tiene aplicaciones más honestas, como ocurre dentro del sector publicitario. En estos vídeos, por ejemplo, se muestra de forma resumida y gráfica como se "suplantó" la identidad de Lola Flores para la realización de un anuncio de una conocida marca de cerveza.
Obviamente, entrecomillo la expresión "suplantó" porque todos sabemos que la popular artista falleció hace ya muchos años, y este anuncio es relativamente reciente, por lo que no ha habido suplantación, sino, probablemente, determinados acuerdos con los familiares o herederos de la "cantaora" por el uso de su imagen, además de muchísima creatividad y un volumen de trabajo artístico muy grande.
Estos vídeos, disponibles en Youtube, son autoría de Oglivy junto con Cruzcampo, yo solamente incluyo el enlace al mismo:
Explicar el funcionamiento de las GAN y su lógica, excede con mucho el propósito de este artículo, que es además de introductorio, "para to2", pero se trata de un ejemplo (muy interesante y divertido) de aplicación de redes neuronales profundas, técnica que puede quedar enmarcada dentro de la visión artificial, pero que se sale de las aplicaciones habituales de este campo, por lo que le he dedicado un espacio aparte.
A continuación, incluyo otro enlace a Youtube donde se puede localizar un vídeo generado con una GAN para simular la imagen de la reina Isabel II de Inglaterra. A lo largo del vídeo pueden leerse algunos mensajes explicativos.
No todo en la vida es Deep Learning
Pues no, no todo, tanto es así, que las aplicaciones de Deep Learning son, en proporción, muy escasas si se comparan con las veces que se aplican otras técnicas más básicas de Machine Learning (y con las que se alcanzan resultados excepcionales, por cierto, en tareas de regresión o de clasificación, que son las más habituales). Sobre la regresión y la clasificación encontrarás explicaciones detalladas en este artículo.
Eso si, para determinado tipo de problemas, el Deep Learning resulta imprescindible (o al menos altamente recomendable), por eso he querido dedicar un artículo al mismo.
Conclusiones
Espero haber sido capaz de explicar, de una forma sencilla, que:
- Las redes neuronales no son mas que modelos matemáticos con una base simple pero con una estructura que puede llegar a ser muy compleja
- En Deep Learning se emplean RNA con una complejidad o tamaño que permite realizar cálculos en profundidad.
- Deep Learning tiene multitud de aplicaciones en numerosas áreas de conocimiento, como Biología, Medicina, Química, Finanzas etc....
- Las GAN se basan en Deep Learning y se utilizan en muchos campos empresariales (y también para difundir mensajes falsos)
- En IA no todo es Machine Learning y en ML no todo es Deep Learning.
Podríamos hablar sobre librerías para Deep Learning, así como diferentes tpos de RNA o de como estimar la función de valor del Reinforcement Learning mediante redes neuronales, pero no te quiero aburrir con tecnicismos, además, me bajo en la siguiente parada, por lo que tendremos que continuar esta conversación en otro momento.
Que tengas una semana fenomenal (nota: este artículo se publica un lunes por la mañana).
Ah! Se me olvidaba,.... si quieres recibir un aviso prioritario cada vez que publique nuevo contenido, solo tienes que pulsar el botón que encontrarás arriba del todo y en el lateral izquierdo, donde pone "Seguir". Pulsando ese botón, podrás ser de las primeras personas que leen mis artículos, y además, me alegrarás el día si te suscribes.
Comentarios
Publicar un comentario