El aprendizaje profundo, una t\u00e9cnica avanzada de inteligencia artificial, se ha vuelto cada vez m\u00e1s popular en los \u00faltimos a\u00f1os, gracias a la abundancia de datos y al aumento de la potencia inform\u00e1tica. Es la tecnolog\u00eda principal detr\u00e1s de muchas de las aplicaciones que usamos todos los d\u00edas, incluida la traducci\u00f3n de idiomas en l\u00ednea, el etiquetado autom\u00e1tico de rostros en las redes sociales, las respuestas inteligentes en su correo electr\u00f3nico y la nueva ola de modelos generativos. Si bien el aprendizaje profundo no es nuevo, se ha beneficiado mucho de una mayor disponibilidad de datos y avances en la inform\u00e1tica.<\/p>\n
ChatGPT, el chatbot impulsado por IA que se ha convertido en la aplicaci\u00f3n de m\u00e1s r\u00e1pido crecimiento de todos los tiempos(Se abre en una nueva ventana)<\/span>, funciona con un modelo de aprendizaje profundo que se ha entrenado con miles de millones de palabras recopiladas de Internet. DALL-E, Midjourney y Stable Diffusion, los sistemas de IA que pueden generar im\u00e1genes a partir de descripciones de texto, son sistemas de aprendizaje profundo que modelan la relaci\u00f3n entre im\u00e1genes y descripciones de texto.<\/p>\n El aprendizaje profundo es un subconjunto del aprendizaje autom\u00e1tico, una rama de la inteligencia artificial que configura las computadoras para realizar tareas a trav\u00e9s de la experiencia. A diferencia de los sistemas de IA cl\u00e1sicos basados \u200b\u200ben reglas, los algoritmos de aprendizaje autom\u00e1tico desarrollan su comportamiento mediante el procesamiento de ejemplos anotados, un proceso llamado \u00abentrenamiento\u00bb.<\/p>\n Por ejemplo, para crear un programa de detecci\u00f3n de fraudes, entrenar\u00eda un algoritmo de aprendizaje autom\u00e1tico con una lista de transacciones bancarias y su resultado final (leg\u00edtimo o fraudulento). El modelo de aprendizaje autom\u00e1tico examina los ejemplos y desarrolla una representaci\u00f3n estad\u00edstica de caracter\u00edsticas comunes entre transacciones leg\u00edtimas y fraudulentas. <\/p>\n Despu\u00e9s de eso, cuando proporcione al algoritmo los datos de una nueva transacci\u00f3n bancaria, la clasificar\u00e1 como leg\u00edtima o fraudulenta seg\u00fan los patrones que haya obtenido de los ejemplos de entrenamiento. Como regla general, cuantos m\u00e1s datos de alta calidad proporcione, m\u00e1s preciso ser\u00e1 un algoritmo de aprendizaje autom\u00e1tico al realizar sus tareas. <\/p>\n El aprendizaje autom\u00e1tico es especialmente \u00fatil para resolver problemas donde las reglas no est\u00e1n bien definidas y no se pueden codificar en comandos distintos. Diferentes tipos de algoritmos sobresalen en diferentes tareas.<\/p>\n Si bien los algoritmos cl\u00e1sicos de aprendizaje autom\u00e1tico resuelven muchos problemas con los que han luchado los programas basados \u200b\u200ben reglas, son deficientes para manejar datos blandos como im\u00e1genes, videos, archivos de sonido y texto no estructurado.<\/p>\n Por ejemplo, crear un modelo de predicci\u00f3n del c\u00e1ncer de mama utilizando enfoques cl\u00e1sicos de aprendizaje autom\u00e1tico requerir\u00eda los esfuerzos de docenas de expertos en el dominio, programadores inform\u00e1ticos y matem\u00e1ticos, seg\u00fan el investigador de inteligencia artificial y cient\u00edfico de datos Jeremy Howard en el video anterior. <\/p>\n Los investigadores tendr\u00edan que hacer mucha ingenier\u00eda de funciones, un proceso arduo que programa la computadora para encontrar patrones conocidos en las exploraciones de rayos X y MRI. Despu\u00e9s de eso, los ingenieros utilizan el aprendizaje autom\u00e1tico adem\u00e1s de las caracter\u00edsticas extra\u00eddas. Crear un modelo de IA de este tipo lleva a\u00f1os.<\/p>\n \n<\/p>\n Red neuronal artificial (Cr\u00e9dito: Wikipedia) Los algoritmos de aprendizaje profundo resuelven el mismo problema utilizando redes neuronales profundas,<\/em> un tipo de arquitectura de software inspirada en el cerebro humano (aunque las redes neuronales son diferentes de las neuronas biol\u00f3gicas(Se abre en una nueva ventana)<\/span>). Las redes neuronales son capas sobre capas de variables que se ajustan a las propiedades de los datos en los que se entrenan y se vuelven capaces de realizar tareas como clasificar im\u00e1genes y convertir voz en texto.<\/p>\n Las redes neuronales son especialmente buenas para encontrar patrones comunes de forma independiente en datos no estructurados. Por ejemplo, cuando entrena una red neuronal profunda en im\u00e1genes de diferentes objetos, encuentra formas de extraer caracter\u00edsticas de esas im\u00e1genes. Cada capa de la red neuronal detecta caracter\u00edsticas espec\u00edficas como bordes, esquinas, rostros, globos oculares, etc.<\/p>\n \n<\/p>\n Las capas superiores de las redes neuronales detectan caracter\u00edsticas generales. Las capas m\u00e1s profundas detectan objetos reales. (Cr\u00e9dito: arxiv.org) Las redes neuronales existen desde la d\u00e9cada de 1950 (al menos conceptualmente). Pero hasta hace poco, la comunidad de IA los descartaba en gran medida porque requer\u00edan grandes cantidades de datos y potencia inform\u00e1tica. En los \u00faltimos a\u00f1os, la disponibilidad y la asequibilidad de los recursos inform\u00e1ticos, de almacenamiento y de datos han llevado a las redes neuronales a la vanguardia de la innovaci\u00f3n en IA.<\/p>\n Hoy en d\u00eda, existen varios tipos de arquitecturas de aprendizaje profundo, cada una adecuada para diferentes tareas. Las redes neuronales convolucionales (CNN) son especialmente buenas para capturar patrones en im\u00e1genes. Las redes neuronales recurrentes (RNN) son buenas para procesar datos secuenciales como voz, texto y notas musicales. Las redes neuronales gr\u00e1ficas (GNN) pueden aprender y predecir las relaciones entre los datos gr\u00e1ficos, como las redes sociales y las compras en l\u00ednea.<\/p>\n Una arquitectura de aprendizaje profundo que se ha vuelto muy popular recientemente es el transformador(Se abre en una nueva ventana)<\/span>, utilizado en modelos de lenguaje grande (LLM) como GPT-4 y ChatGPT. Los transformadores son especialmente buenos en tareas de lenguaje y pueden entrenarse con grandes cantidades de texto sin procesar.<\/p>\n Hay varios dominios en los que el aprendizaje profundo est\u00e1 ayudando a las computadoras a abordar problemas que antes no ten\u00edan soluci\u00f3n:<\/p>\n La visi\u00f3n por computadora es la ciencia del uso de software para dar sentido al contenido de im\u00e1genes y videos. Esta es una de las \u00e1reas en las que el aprendizaje profundo ha progresado mucho. M\u00e1s all\u00e1 del c\u00e1ncer de mama, los algoritmos de procesamiento de im\u00e1genes de aprendizaje profundo pueden detectar otros tipos de c\u00e1ncer(Se abre en una nueva ventana)<\/span> y ayudar a diagnosticar otras enfermedades(Se abre en una nueva ventana)<\/span>.<\/p>\n Pero este tipo de aprendizaje profundo tambi\u00e9n est\u00e1 arraigado en muchas de las aplicaciones que usa todos los d\u00edas. Face ID de Apple utiliza la visi\u00f3n por computadora para reconocer su rostro, al igual que Google Photos para varias funciones, como la b\u00fasqueda de objetos y escenas, as\u00ed como la correcci\u00f3n de im\u00e1genes. Facebook us\u00f3 el aprendizaje profundo para etiquetar autom\u00e1ticamente a las personas en las fotos que carga, antes de que esa funci\u00f3n se cerrara en 2021.<\/p>\n El aprendizaje profundo tambi\u00e9n ayuda a las empresas de redes sociales a identificar y bloquear autom\u00e1ticamente el contenido cuestionable, como la violencia y la desnudez. Y, por \u00faltimo, el aprendizaje profundo est\u00e1 desempe\u00f1ando un papel muy importante al permitir que los veh\u00edculos aut\u00f3nomos den sentido a su entorno.<\/p>\n Cuando dice un comando a su altavoz inteligente Amazon Echo o al Asistente de Google, los algoritmos de aprendizaje profundo convierten su voz en comandos de texto. Varias aplicaciones en l\u00ednea tambi\u00e9n utilizan el aprendizaje profundo para transcribir archivos de audio y video. La aplicaci\u00f3n de teclado de Google, Gboard, utiliza el aprendizaje profundo para ofrecer una transcripci\u00f3n de voz en tiempo real en el dispositivo que se escribe mientras habla.<\/p>\n Procesamiento del lenguaje natural (PNL)<\/strong>, la ciencia de extraer el significado del texto no estructurado, ha sido un punto cr\u00edtico hist\u00f3rico para el software cl\u00e1sico. Definir todos los diferentes matices y significados ocultos del lenguaje escrito con reglas inform\u00e1ticas es pr\u00e1cticamente imposible. Pero las redes neuronales entrenadas en grandes cuerpos de texto pueden realizar con precisi\u00f3n muchas tareas de PNL.<\/p>\n El servicio de traducci\u00f3n de Google vio un aumento repentino en el rendimiento(Se abre en una nueva ventana)<\/span> cuando la empresa cambi\u00f3 al aprendizaje profundo. Los parlantes inteligentes usan NLP de aprendizaje profundo para comprender los diversos matices de los comandos, como las diferentes formas en que puede preguntar por el clima o las direcciones.<\/p>\n El aprendizaje profundo tambi\u00e9n es muy eficiente para generar texto significativo, tambi\u00e9n llamado generaci\u00f3n de lenguaje natural (NLG)<\/strong>. Smart Reply y Smart Compose de Gmail utilizan el aprendizaje profundo para generar respuestas relevantes a sus correos electr\u00f3nicos y sugerencias para completar sus oraciones. Un modelo de generaci\u00f3n de texto desarrollado por OpenAI cre\u00f3 largos extractos de texto coherente.<\/p>\n Modelos de lenguaje grande (LLM)<\/strong> como ChatGPT de OpenAI, puede realizar una amplia gama de tareas, que incluyen resumir texto, responder preguntas, escribir art\u00edculos y generar c\u00f3digo de software. Los LLM se est\u00e1n integrando en una amplia gama de aplicaciones, incluidas aplicaciones de correo electr\u00f3nico y mensajer\u00eda corporativa, aplicaciones de productividad y motores de b\u00fasqueda.<\/p>\n Un campo en el que el aprendizaje profundo se ha vuelto muy \u00fatil recientemente es la generaci\u00f3n de im\u00e1genes. Modelos como DALL-E y Stable Diffusion pueden crear impresionantes im\u00e1genes a partir de descripciones textuales. Microsoft ya est\u00e1 usando DALL-E en varios productos, incluido Designer. Adobe tambi\u00e9n est\u00e1 utilizando modelos generativos en varias de sus aplicaciones.<\/p>\n \n<\/p>\n (Cr\u00e9dito: fotograf\u00eda\/Getty Images) A pesar de todos sus beneficios, el aprendizaje profundo tambi\u00e9n tiene algunas deficiencias.<\/p>\n En general, los algoritmos de aprendizaje profundo requieren grandes cantidades de datos de entrenamiento para realizar sus tareas con precisi\u00f3n. Desafortunadamente, no hay suficientes datos de capacitaci\u00f3n de calidad para crear modelos de aprendizaje profundo que puedan responder a muchos tipos de problemas.<\/p>\n Las redes neuronales desarrollan su comportamiento de formas extremadamente complicadas, incluso sus creadores luchan por comprender sus acciones. La falta de interpretabilidad hace que sea extremadamente dif\u00edcil solucionar errores y corregir errores en los algoritmos de aprendizaje profundo.<\/p>\n Los algoritmos de aprendizaje profundo son tan buenos como los datos con los que se entrenan. El problema es que los datos de entrenamiento a menudo contienen sesgos ocultos o evidentes, y los algoritmos heredan estos sesgos. Por ejemplo, un algoritmo de reconocimiento facial entrenado principalmente en im\u00e1genes de personas blancas funcionar\u00e1 con menos precisi\u00f3n para las personas que no son blancas.<\/p>\n Los algoritmos de aprendizaje profundo son buenos para realizar tareas enfocadas pero malos para generalizar su conocimiento. A diferencia de los humanos, un modelo de aprendizaje profundo entrenado para jugar StarCraft no podr\u00e1 jugar un juego similar, por ejemplo, WarCraft. <\/p>\n Adem\u00e1s, el aprendizaje profundo es deficiente en el manejo de datos que se desv\u00edan de sus ejemplos de entrenamiento, tambi\u00e9n conocidos como \u00abcasos extremos\u00bb. Esto puede volverse peligroso en situaciones como los autos sin conductor, donde los errores pueden tener consecuencias fatales.<\/p>\n \n<\/p>\n (Cr\u00e9dito: Getty) En 2019, los pioneros del aprendizaje profundo recibieron el Premio Turing, el equivalente en inform\u00e1tica al Premio Nobel. Pero el trabajo sobre el aprendizaje profundo y las redes neuronales est\u00e1 lejos de terminar. Se est\u00e1n realizando varios esfuerzos para mejorar el aprendizaje profundo.<\/p>\n Algunos trabajos interesantes incluyen modelos de aprendizaje profundo que son explicables o abiertos a la interpretaci\u00f3n, redes neuronales que pueden desarrollar su comportamiento con menos datos de entrenamiento y modelos de IA de borde, algoritmos de aprendizaje profundo que pueden realizar sus tareas sin depender de un gran recurso de computaci\u00f3n en la nube.<\/p>\n Y aunque el aprendizaje profundo es actualmente la t\u00e9cnica de inteligencia artificial m\u00e1s avanzada, no es el destino final de la industria de la IA. La evoluci\u00f3n del aprendizaje profundo y las redes neuronales podr\u00eda darnos arquitecturas totalmente nuevas.<\/p>\n Matricularse en \u00bfQu\u00e9 hay de nuevo ahora?<\/strong> para recibir nuestras mejores historias en su bandeja de entrada todas las ma\u00f1anas.<\/p>\n Este bolet\u00edn puede contener publicidad, ofertas o enlaces de afiliados. Suscribirse a un bolet\u00edn informativo indica su consentimiento a nuestros T\u00e9rminos de uso y Pol\u00edtica de privacidad. Puede darse de baja de los boletines en cualquier momento.<\/p>\n<\/p><\/div>\n<\/div>\n<\/div>\nAprendizaje profundo frente a aprendizaje autom\u00e1tico<\/h2>\n
Aprendizaje profundo y redes neuronales<\/h2>\n
![\"Red](\"https:\/\/i.pcmag.com\/imagery\/articles\/07i06lZC498yVhWKT68B4FV-1.png\")
\n<\/small>\n<\/p>\n![\"capas](\"https:\/\/i.pcmag.com\/imagery\/articles\/07i06lZC498yVhWKT68B4FV-2.jpg\")
\n<\/small>\n<\/p>\n\u00bfPara qu\u00e9 se utiliza el aprendizaje profundo?<\/h2>\n
Visi\u00f3n por computador<\/h3>\n
Reconocimiento de voz y habla<\/h3>\n
Procesamiento y generaci\u00f3n de lenguaje natural<\/h3>\n
Recomendado por Nuestros Editores<\/h3>\n<\/div>\n<\/div>\n
Generaci\u00f3n de arte<\/h3>\n
![\"bits](\"https:\/\/i.pcmag.com\/imagery\/articles\/07i06lZC498yVhWKT68B4FV-12.jpg\")
\n<\/small>\n<\/p>\nLos l\u00edmites del aprendizaje profundo<\/h2>\n
Dependencia de datos<\/h3>\n
explicabilidad<\/h3>\n
Sesgo algor\u00edtmico<\/h3>\n
Falta de generalizaci\u00f3n<\/h3>\n
![\"\u00bfQu\u00e9](\"https:\/\/i.pcmag.com\/imagery\/articles\/07i06lZC498yVhWKT68B4FV-11.webp\")
\n<\/small>\n<\/p>\nEl futuro del aprendizaje profundo<\/h2>\n
\u00a1Obtenga nuestras mejores historias!<\/h4>\n