La gente aprende con la experiencia. Cuanto más variadas sean nuestras vivencias, más aprenderemos. En la disciplina de la inteligencia artificial (IA) que se conoce como aprendizaje profundo, esto mismo se puede decir de las máquinas que funcionan con hardware y software de IA. Las experiencias de aprendizaje de las máquinas vienen definidas por los datos que adquieren, y la cantidad y la calidad de estos datos determinan cuánto pueden aprender.
El aprendizaje profundo es una rama del aprendizaje automático. A diferencia de los algoritmos tradicionales de aprendizaje automático, muchos de los cuales tienen una capacidad finita de aprendizaje independientemente de la cantidad de datos que adquieran, los sistemas de aprendizaje profundo pueden mejorar su rendimiento al poder acceder a un mayor número de datos, o lo que es lo mismo, hacer que la máquina tenga más experiencia. Una vez que las máquinas han adquirido suficiente experiencia mediante el aprendizaje profundo, pueden ponerse a trabajar en tareas específicas como conducir un coche, detectar malas hierbas en un campo de cultivo, detectar enfermedades, inspeccionar maquinaria para identificar errores, etc.
Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas en los datos que registran. Al crear modelos computacionales compuestos por varias capas de procesamiento, las redes pueden crear varios niveles de abstracción para representar los datos.
Por ejemplo, un modelo de aprendizaje profundo conocido como red neuronal convolucional se puede entrenar como un gran número (de millones) de imágenes; por ejemplo, las que contienen gatos. Este tipo de red neuronal suele aprender de los píxeles que contienen las imágenes que adquiere. Puede clasificar grupos de píxeles que representan los rasgos de los gatos, con grupos de rasgos como garras, orejas y ojos que indican la presencia de un gato en una imagen.
El aprendizaje profundo es totalmente distinto del aprendizaje automático convencional. En este ejemplo, un experto en la materia tendría que dedicar mucho tiempo a diseñar un sistema de aprendizaje automático convencional que detectara los rasgos que representan un gato. Con el aprendizaje profundo, todo lo que necesita es suministrar al sistema un gran número de imágenes de gatos, tras lo cual el sistema aprende por sí solo los rasgos representativos de los gatos.
En muchas tareas, como la visión computarizada, el reconocimiento de voz (también conocido como procesamiento de lenguaje natural ), la traducción automática y la robótica, el rendimiento de los sistemas de aprendizaje profundo supera con creces el de los sistemas de aprendizaje automático convencional. Esto no significa que crear sistemas de aprendizaje profundo sea relativamente fácil en comparación con los sistemas de aprendizaje automático convencionales. Si bien el reconocimiento de características es autónomo en el aprendizaje profundo, hay que ajustar miles de hiperparámetros (botones) para que el modelo de aprendizaje profundo sea realmente efectivo.
Nos encontramos en una época de oportunidades sin precedentes y, con la tecnología del aprendizaje profundo, podemos conseguir nuevos avances. El aprendizaje profundo ha desempeñado un papel decisivo en el descubrimiento de exoplanetas, la creción de nuevos fármacos y en la detección de enfermedades y partículas subatómicas. Ha sido decisivo a la hora de aumentar radicalmente nuestros conocimientos en biología, incluidos los genomas, la proteómica, la metabolómica, la inmunoterapia, etc.
También estamos inmersos en una época en la que nos enfrentamos a retos implacables. El cambio climático amenaza la producción de alimentos y algún día podría provocar guerras por unos recursos limitados. El desafío del cambio ambiental se verá exacerbado por una población humana cada vez mayor, que se prevé que alcance los 9000 millones en 2050. El ámbito y la escala de estos retos requieren un nuevo nivel de inteligencia que es posible gracias al aprendizaje profundo.
Durante la explosión cámbrica que se produjo hace unos 540 millones de años, el sentido de la vista se perfiló como una ventaja de los animales frente a sus competidores y muy pronto se convirtió en el principal impulsor de la evolución. Combinada con la evolución de las redes neuronales biológicas que se utilizan para procesar la información visual, la visión ofreció a los animales un mapa de todo lo que les rodeaba y aumentó su conocimiento del mundo exterior.
Hoy en día, la combinación de las cámaras que actúan como ojos artificiales y las redes neuronales que pueden procesar la información visual captada por esos ojos está dando lugar a una explosión de las aplicaciones de IA impulsadas por datos. Al igual que la visión desempeñó un papel fundamental en la evolución de la vida en la Tierra, el aprendizaje profundo y las redes neuronales mejorarán las prestaciones de los robots. Cada vez más, serán capaces de conocer su entorno, tomar decisiones autónomas, colaborar con nosotros y aumentar nuestras propias posibilidades.
Robótica
Muchos de los adelantos recientes que se han producido en la robótica han sido gracias a los avances en IA y aprendizaje profundo. Por ejemplo, con la IA, los robots pueden percibir su entorno y reaccionar ante él. Esta funcionalidad aumenta la variedad de funciones que pueden realizar, desde desplazarse por las plantas de los almacenes hasta clasificar y manipular objetos desiguales, frágiles o mezclados. Algo tan simple como coger una fresa es una tarea muy sencilla para los humanos, pero ha sido sumamente difícil conseguir que lo hagan los robots. A medida que avanza la IA, estos progresos harán que mejoren las prestaciones de los robots.
El desarrollo que se está produciendo en la IA significa que podemos esperar que los robots del futuro se puedan usar cada vez más como asistentes para los humanos. No solo se utilizarán para comprender preguntas y responderlas, como está sucediendo hoy en día, también podrán reaccionar ante órdenes de voz y gestos, e incluso anticipar el próximo movimiento de un trabajador. Hoy en día, los robots colaborativos ya trabajan junto a los humanos, pero cada uno de ellos realiza por separado las tareas que mejor se adaptan a sus habilidades.
Agricultura
La IA tiene el potencial para revolucionar la agricultura. En la actualidad, el aprendizaje profundo permite a los agricultores usar equipos que pueden ver y distinguir entre plantas de cultivo y malas hierbas. Gracias a esta funcionalidad, las desbrozadoras pueden rociar herbicidas de forma selectiva sobre las malas hierbas y dejar intactas otras plantas. Las máquinas agrícolas que utilizan visión computarizada basada en el aprendizaje profundo pueden incluso optimizar plantas individuales en un campo mediante la pulverización selectiva de herbicidas, fertilizantes, fungicidas, insecticidas y productos biológicos. Además de reducir el uso de herbicidas y mejorar la producción agrícola, el aprendizaje profundo se puede ampliar a otras operaciones agrícolas, como la aplicación de fertilizantes, el riego y la cosecha.
Imágenes médicas y asistencia sanitaria
El aprendizaje profundo ha demostrado ser particularmente eficaz en el campo de las imágenes médicas, gracias a la disponibilidad de datos de alta calidad y a la capacidad de las redes neuronales convolucionales de clasificar las imágenes. Por ejemplo, el aprendizaje profundo puede ser tan efectivo como un dermatólogo al clasificar los cánceres de piel, o incluso mejor. Varios proveedores ya han recibido la aprobación de la FDA para aplicar algoritmos de aprendizaje profundo con fines diagnósticos, incluido el análisis de imágenes para enfermedades oncológicas y de la retina. El aprendizaje profundo también está logrando avances significativos en la mejora de la calidad de la asistencia sanitaria al predecir eventos de salud a partir de los datos electrónicos de los historiales médicos.
El futuro del aprendizaje profundo
Hoy en día, hay varias arquitecturas de redes neuronales optimizadas para determinados tipos de datos y tareas. Las redes neuronales convolucionales son excelentes para clasificar las imágenes. Otra forma de arquitectura de aprendizaje profundo utiliza redes neuronales recurrentes para procesar datos secuenciales. Tanto los modelos de redes neuronales convolucionales como las recurrentes realizan lo que se conoce como aprendizaje supervisado, es decir, necesitan que se les suministren grandes cantidades de datos para poder aprender. En el futuro, los tipos más sofisticados de IA usarán el aprendizaje no supervisado. Se está dedicando una gran cantidad de tiempo a la investigación de la tecnología de aprendizaje no supervisado y semisupervisado.
El aprendizaje de refuerzo es un paradigma ligeramente diferente al aprendizaje profundo en el que un agente aprende por ensayo y error en un entorno simulado solo a partir de recompensas y castigos. Las extensiones de aprendizaje profundo en este ámbito se conocen como aprendizaje de refuerzo profundo (DRL). Se han producido avances considerables en este campo, como se demuestra en los programas de DRL que han logrado vencer a los humanos en el antiguo juego del GO.
El diseño de arquitecturas de redes neuronales para resolver problemas tiene una dificultad increíble, que se complica aún más con muchos hiperparámetros que ajustar y muchas funciones de pérdida entre las que elegir para su optimización. Se ha llevado a cabo una gran cantidad de actividades de investigación para aprender arquitecturas de redes neuronales óptimas de forma autónoma. La tecnología de aprender a aprender, también conocida como metaaprendizaje o AutoML, avanza con paso firme.
Las actuales redes neuronales artificiales se basaron en la interpretación que se tenía en los años 50 del modo en que los cerebros humanos procesan la información. La neurociencia ha progresado considerablemente desde entonces y las arquitecturas de aprendizaje profundo se han vuelto tan sofisticadas que parecen mostrar estructuras como células de red, presentes en cerebros neuronales biológicos que se usan para la navegación. Tanto la neurociencia como el aprendizaje profundo pueden beneficiarse mutuamente de la polinización cruzada de ideas, y es muy probable que estos campos empiecen a fusionarse en algún momento.
Ya no utilizamos ordenadores mecánicos y, en algún momento, dejaremos de utilizar los ordenadores digitales. En su lugar, usaremos una nueva generación de ordenadores cuánticos. En los últimos años se han producido varios avances en la computación cuántica y los algoritmos de aprendizaje pueden, de hecho, beneficiarse de la increíble cantidad de computación disponible que los ordenadores cuánticos pueden ofrecer. También se podrían usar algoritmos de aprendizaje para comprender el resultado que se obtiene de los ordenadores cuánticos probabilísticos. El aprendizaje automático cuántico es una rama muy activa del aprendizaje automático y, con la primera conferencia internacional sobre aprendizaje automático cuántico prevista para 2018, se pronostica un buen comienzo.
Elimina los obstáculos en la infraestructura de IA para lograr una recopilación de datos más eficiente, cargas de trabajo de IA aceleradas y una integración de la nube más fluida.