Deep Learning

Qué es y por qué es importante

El deep learning es un tipo de machine learning que entrena a una computadora para que realice tareas como las hacemos los seres humanos, como el reconocimiento del habla, la identificación de imágenes o hacer predicciones. En lugar de organizar datos para que se ejecuten a través de ecuaciones predefinidas, el deep learning configura parámetros básicos acerca de los datos y entrena a la computadora para que aprenda por cuenta propia reconociendo patrones mediante el uso de muchas capas de procesamiento.

Decisiones mejores y más rápidas con el deep learning

Asegúrese de tener todas las bases cubiertas con el aprendizaje a fondo, dice el Dr. Kirk Borne, científico de datos principal de Booz Allen Hamilton. "El deep learning es tan sólo una forma compleja de red neural", explica él.

¿Por qué es importante hoy el deep learning?

El deep learning es una de las bases de la inteligencia artificial (AI) y el interés actual en el deep learning se debe en parte al auge que tiene ahora la inteligencia artificial. Las técnicas de deep learning han mejorado la capacidad de clasificar, reconocer, detectar y describir – en una palabra, entender.

Por ejemplo, el deep learning se utiliza para clasificar imágenes, reconocer el habla, detectar objetos y describir contenido. Sistemas como Siri y Cortana son potenciados, en parte, por el aprendizaje a fondo.

Varias novedades están integrando avances ahora al aprendizaje a fondo:

  • Mejoras algorítmicas han elevado el desempeño de los métodos de aprendizaje a fondo.
  • Nuevos métodos de aprendizaje basado en máquina han mejorado la precisión de los modelos. 
  • Se han desarrollado nuevas clases de redes neurales que encajan bien en aplicaciones como la traducción de texto y la clasificación de imágenes. 
  • Tenemos muchos más datos disponibles para construir redes neurales con muchas capas profundas, incluyendo datos de streaming de la Internet de las Cosas, datos textuales de medios sociales, notas de médicos y transcripciones de investigaciones.
  • Los adelantos computacionales de la computación en la nube distribuida y unidades de procesamiento gráfico han puesto a nuestra disposición una cantidad increíble de poder de cómputo. Este nivel de poder de cómputo es necesario para entrenar a algoritmos profundos.

Al mismo tiempo, las interfaces de humano a máquina han evolucionado considerablemente también. El mouse y el teclado están siendo reemplazados con gesticulaciones, deslizamientos de los dedos, tacto y lenguaje natural, generando un interés renovado en la inteligencia artificial y el deep learning.

Oportunidades y aplicaciones del deep learning

Se necesita mucho poder de cómputo para resolver problemas de deep learning debido a la naturaleza iterativa de los algoritmos de deep learning, su complejidad conforma aumenta el número de capas y los grandes volúmenes de datos que se necesitan para entrenar a las redes.

La naturaleza dinámica de los métodos de deep learning – su capacidad de mejorar y adaptarse continuamente a cambios en el patrón de información implícito – presenta una gran oportunidad para introducir un comportamiento más dinámico a la analítica.

Una mayor personalización de la analítica de clientes es una posibilidad. Otra gran oportunidad es mejorar la precisión y el desempeño en aplicaciones donde se han utilizado redes neurales por largo tiempo. A través de mejores algoritmos y más poder de cómputo podemos agregar mayor profundidad.

Aunque el enfoque actual del mercado de las técnicas de deep learning está en aplicaciones de cómputo cognitivo, también hay un gran potencial en aplicaciones analíticas más tradicionales; por ejemplo, el análisis de series de tiempo.

Otra oportunidad es simplemente ser más eficiente y simplificado en operaciones analíticas existentes. Recientemente, SAS experimentó con redes neurales profundas en problemas de transcripción de habla a texto. Comparado con las técnicas estándares, el índice de errores en palabras disminuyó más de 10% cuando se aplicaron redes neurales profundas. También eliminaron cerca de 10 pasos del procesamiento de datos, ingeniería de características y modelado. Los impresionantes incrementos de desempeño y los ahorros de tiempo cuando se comparan con la ingeniería de características se traducen en un cambio de paradigma.

Deep learning en el mundo actual

El impacto que el aprendizaje a fondo ha tenido en el mundo ha sido significativo – y apenas está comenzando. Aprenda más de lo que la industria dice.

 
Entrevista

Métodos y aplicaciones de deep learning

Desde jugar AlphaGo hasta detectar fraude, el deep learning se puede utilizar para resolver muchos problemas complejos. En esta entrevista, el Vicepresidente de Investigación y Desarrollo de Servidores Analíticos de SAS, Oliver Schabenberger, ofrece ejemplos y explicaciones de cómo difiere éste de la analítica estándar.

Lea la entrevista

Webinar

Aprendizaje a fondo para el procesamiento del lenguaje natural

Averigüe cómo se aplican las técnicas de deep learning al procesamiento del lenguaje natural. James C. Lester, distinguido profesor de ciencia de la computación de la Universidad Estatal de Carolina del Norte, habla sobre normalización de texto y otros temas con James A. Cox, Director de Analítica de Texto de SAS.

Vea el webinar

Blog

La digitalización de todo

“El incremento colectivo del poder de procesamiento disponible y nuevas fronteras en los campos de la inteligencia artificial y el deep learning nos permiten no sólo recopilar, sino también entender mejor los detalles [de ubicación, red y actividad] que nos llevan a entender mejor a nuestros clientes”, afirma Brian Vellmure, consultor de administración.

Obtenga más información

¿Cómo se utiliza el deep learning?

Para los observadores, el aprendizaje a fondo puede parecer estar en una fase de investigación mientras investigadores de ciencia de la computación y científicos de datos continúan probando sus capacidades. Sin embargo, el deep learning tiene muchas aplicaciones prácticas que las empresas utilizan hoy día, y muchas más que se utilizarán conforme prosigue la investigación. Algunos usos populares actuales incluyen:

Reconocimiento del habla

El mundo de los negocios y el académico han adoptado el aprendizaje a fondo para el reconocimiento del habla. Xbox, Skype, Google Now y Siri de Apple®, por mencionar sólo algunos, ya emplean tecnologías de aprendizaje a fondo en sus sistemas para reconocer el habla y patrones de voz humanos.

Reconocimiento de imágenes

Una aplicación práctica del reconocimiento de imágenes es la impresión automática de subtítulos en imágenes y la descripción de escenas. Esto podría ser crucial en investigaciones de procuración de justicia para identificar actividad criminal en miles de fotos que envían espectadores en una zona muy concurrida donde se ha cometido un crimen. Los automóviles de conducción autónoma también se verán beneficiados con el reconocimiento de imágenes a través del uso de la tecnología de cámaras de 360 grados.

Procesamiento del lenguaje natural

Las redes neurales, componente central del deep learning, se han utilizado para procesar y analizar texto escrito por muchos años. Como especialización de la minería de texto, esta técnica puede ser utilizada para descubrir patrones en quejas de clientes, notas de médicos o reportes informativos, por mencionar sólo algunos. 

Sistemas de recomendación

Amazon y Netflix han popularizado la noción de un sistema de recomendación con una buena posibilidad de saber lo que le podría interesar a usted a después de hacer una compra, basándose en su comportamiento pasado. El deep learning se puede utilizar para mejorar recomendaciones en entornos complejos como intereses musicales o preferencias de prendas de vestir en múltiples plataformas.


     

Cómo funciona el deep learning

El deep learning cambia su forma de pensar acerca de la representación de los problemas que resuelve con la analítica. Pasa de decir a la computadora cómo resolver un problema a entrenarla para que resuelva el problema mismo.

 

Un enfoque tradicional de la analítica consiste en utilizar los datos que se tienen a la mano para diseñar características por ingeniería a fin de obtener nuevas variables, luego seleccionar un modelo analítico y finalmente calcular los parámetros (o los valores desconocidos) de ese modelo. Estas técnicas pueden producir sistemas predictivos que no generalizan bien porque la integridad y la corrección dependen de la calidad del modelo y sus características. Por ejemplo, si desarrolla un modelo de fraude con ingeniería de características, comienza con un conjunto de variables y lo más probable es que obtenga un modelo a partir de esas variables utilizando transformaciones de datos. Puede terminar con 30,000 variables de las cuales dependa su modelo, luego tiene que darle forma, averiguar qué variables son significativas, cuáles no lo son, etc. La adición de más datos requiere que haga todo el proceso de nueva cuenta.

El nuevo enfoque con el aprendizaje a fondo consiste en reemplazar la formulación y especificación del modelo con caracterizaciones (o capas) jerárquicas que aprendan a reconocer características latentes de los datos de las regularidades en las capas.

El cambio de paradigma con el deep learning es un cambio de la ingeniería de características a la representación de características.

La promesa del deep learning es que generar sistemas predictivos que generalicen bien, se adapten bien, mejoren continuamente conforme lleguen nuevos datos y sean más dinámicos que los sistemas predictivos basados en reglas de negocios estrictas. Ya no necesita ajustar un modelo. En su lugar, se entrena la tarea.