¿Qué es el deep learning?

Te contamos cómo funciona la inteligencia artificial, que se inspira en una de las máquinas más perfectas que existen: el cerebro humano.

inteligencia artificial

El cerebro es uno de los órganos más complejos y vitales del ser humano. Se ha estimado que el cerebro humano contiene de cincuenta a cien mil millones de neuronas, de las cuales cerca de diez mil millones son células piramidales corticales, las cuales transmiten señales al cuerpo a través de mil billones de conexiones sinápticas.

 

Las máquinas están empezando a utilizar el 'cerebro', muy parecido al del ser humano. Una red de neuronas artificial es una herramienta matemática que modela, de forma simplificada, el funcionamiento de las neuronas en el cerebro. La arquitectura es la siguiente: las neuronas se organizan en capas, donde las neuronas verdes son las entradas que reciben la información, las azules son las ocultas, que contienen cálculos intermedios de la red, y las amarillas son las salidas que contienen el resultado. Normalmente hay una capa de entrada, una de salida y varias ocultas. A más capas ocultas, más compleja es la red y mejores resultados predice, pero también es más difícil crear el modelo.

gráfico deep learning

Todas las neuronas contienen un número llamado bias que indica su importancia en la red, además todas están conectadas entre sí y contienen un peso que indica la importancia de la conexión. La operación en la red de neuronas sería sencilla si no fuera por la función activación, la cual recibe como entrada la suma de todos los números que llegan por las conexiones anteriores, transforma el valor mediante una fórmula, y produce un nuevo número. La misión de esta función activación es mantener los números producidos por cada neurona dentro de un rango razonable.


Existen diferentes arquitecturas de redes de neuronas diferentes, entre las principales tenemos: la máquina de Boltzmann restringida (RBM), la red de creencia profunda (DBN), las redes de neuronas convolutivas (CNN), y las redes de neuronas recurrentes (RNN).

Deep learning: aplicaciones

Los usos de estos algoritmos se pueden dividir en cuatro grupos: procesado de texto, reconocimiento de imágenes, reconocimiento de objetos y reconocimiento de voz. Estos algoritmos son de gran importancia en el diseño del software en coches autónomos, detección de caras en las fotos de Facebook, o en el nuevo algoritmo de traducción de Google.


Si estás interesado en crear tus propios modelos de redes de neuronas, una alternativa es utilizar una plataforma como H20.ai o Dato. En ellas se pueden aplicar diversos algoritmos de procesado de texto o de reconocimiento de objetos de manera relativamente sencilla. La otra alternativa es utilizar librerías como Theano, Deeplearning4j, Torch o Caffe. Aunque mi alternativa preferida para trabajar con redes de neuronas es la librería de Google, TensorFlow, la cual puede ser implementada en Python.


Según el ciclo de Gartner para tecnologías emergentes, el aprendizaje profundo de máquinas (deep learning) es y será durante los próximos años una de las áreas que necesitará más demanda de profesionales.


Robert Brunet es investigador en ingeniería química en la Universitat Rovira i Virgili (Tarragona)

Etiquetas: Inteligencia Artificialcerebro humanoneuronasrobotsrobótica

Continúa leyendo

CONTENIDOS SIMILARES

COMENTARIOS