Diferencia entre machine learning y deep learning

Sergio Carrasco
De la mente de: Sergio Carrasco 22-Ene-2019 Programación Tendencias
Diferencia entre machine learning y deep learning 0 Comentarios
Basado en 0 votos

Hoy en día la inteligencia artificial (IA) es el futuro de la tecnología. Dentro de esta existen dos términos muy populares que pueden generar confusión entre muchos usuarios: machine learning y deep learning.

Pese a que sus ámbitos de aplicación no son tan distintos, la manera en que operan sí que lo es. Puesto que cada vez son más los escenarios donde son usados, hoy se reseñarán las diferencias entre cada uno, algunos ejemplos y el uso más frecuente que se da en el panorama de la inteligencia artificial.

¿Qué es el machine learning?

El maching learning surgió oficialmente a mediados de los ochenta con las investigaciones y postulados de programadores e informáticos como Gerald Dejong, con su concepto de Aprendizaje Basado en Explicación. Sin embargo, desde los años cincuenta ha habido importantes avances y descubrimientos que permitieron configurar el funcionamiento y aplicación de este: el Test de Turing, el programa de juegos de damas diseñado por Arthur Samuel que demostraba aprendizaje informático; la creación del Perceptron de Frank Rosenblat y la Conferencia de Dartmouth de 1956, donde nace oficialmente la IA.

En términos precisos, el maching learning es un programa que utiliza algoritmos para reconocer patrones específicos, organizar datos determinados y permitir que los ordenadores aprendan un comportamiento para mejorar la forma en que funcionan. En este sentido, su código aprende de forma automática para reforzar su sistema interno. Un ejemplo de ello es la clasificación de un correo como spam; el código reconoce de forma automática que ciertos correos son molestos para los usuarios y, por tanto, los clasifican en la bandeja de no deseados.

¿Para qué se usa el machine learning?

El ejemplo anterior sirve para trasladar de la teoría a la práctica el entendimiento del concepto de machine learning. Para ampliar más esto, en la siguiente lista se puede encontrar los usos más frecuentes que, hasta el día de hoy, los programadores lo han utilizado en el ámbito de la IA:

  1. Seguridad de datos informáticos: los virus y malwares son el mecanismo de robo de información más usado a nivel informático. A pesar que estos continuamente evolucionan, su código principal y la forma en que operan generalmente se mantiene intacta. En este punto la IA basada en machine learning puede reconocer el comportamiento de un malware y alertar a la persona de que está en peligro. Los antivirus usan este principio para resguardar a información.
  2. Comercio financiero: es un ámbito que ha ido de menos a más en los últimos años debido al valor que ciertos especialistas han colocado en el aprendizaje automatizado (como también se le conoce al maching learning). La premisa de esto es que el comportamiento de ciertos mercados puede ser predicho con un alto grado de veracidad.
  3. Marketing personalizado: este se basa en conocer el mayor comportamiento de un consumidor para personalizar la publicidad que este recibe. El machine learning ayuda a afinar este proceso reconociendo los movimientos de una persona para, más tarde, propiciar a que reciba el anuncio indicado para que este realice una compra. Igualmente, el sistema de recomendaciones de productos, usado por ejemplo en Amazon, se nutre de los principios de este código.
  4. La detección de fraudes en la red: como por ejemplo, el lavado de dinero en plataformas de transacciones que reciben una gran suma diaria. En este sentido, Paypal utiliza una herramienta de machine learning para distinguir entre millones de transacciones aquella que tiene ciertos componentes de ilegalidad.
  5. La búsqueda de información online: es uno de los ejemplos más famosos del principio del aprendizaje automatizado. Los motores de búsqueda identifican la utilidad del resultado para los usuarios con base en el comportamiento de estos (como por ejemplo, el tiempo promedio que pasa una persona en una página, o la elección de una de estas con respecto a las demás).

Por otro lado, a lo anterior se le suma también la seguridad personas en sitios específicos (como los controles de seguridad en los aeropuertos), en la salud (como el uso de los diseños asistidos por ordenadores que detectan con anterioridad una posible enfermedad) o en los nuevos coches (como el ajuste de la temperatura de forma automática y la inclinación del asiento).

También, es útil en el ámbito empresarial como por ejemplo predecir qué empleado será más productivo, seleccionar el público objetivo ideal para determinado producto y decidir cuál es el mejor momento para entablar una comunicación con el cliente.

¿Qué es el deep learning?

El deep learning tiene su origen de forma oficial a mediados de 2010. Pese a ello, la mención de este es mucho anterior y se puede rastrear la germinación del concepto cuando A. G. Ivakhnenko publicó en 1965 su artículo Cybernetic Predicting Devices, en el cual investigó la aplicación de los algoritmos en redes neuronales artificiales. Precisamente, en la actualidad este es el principio de la deep learning: imitar una red neuronal humana a través de la inteligencia artificial.

El aprendizaje profundo, como también se le conoce, se basa en el diseño de capas individuales de conexiones que mantiene una comunicación con otras capas de información. Estas capas están sometidas a una cantidad ilimitada de datos que es usada primero de forma individual y luego general para una tarea específica (al igual que una red neuronal humana). Un ejemplo del deep learning es el reconocimiento de imágenes de forma automática y las tareas de clasificación.

¿Para qué se usa el deep learning?

Los ámbitos de aplicación del deep learning, pese a que en un principio pueden parecer reducidos, son más complejos y variados que en el caso anterior. Por solo nombrar sus principales en la siguiente lista se describen su utilidad en la vida diaria:

  1. Reconocimiento de audio: los cuales se usan en diferentes planos como por ejemplo buscar en el navegador usando el comando de voz, localizar palabras claves en informes, enviar mensajes sin disponer de la escritura y la interpretación del leguaje natural de una persona.
  2. Reconocimiento de imágenes: como los logos y las marcas de una empresa en diversas plataformas; identificar la reacción de un consumidor frente a un producto y realizar análisis médico de una radiografía y resonancias. El reconocimiento de imágenes es muy usado en Facebook y en el desbloqueo por imagen de los teléfonos móviles.
  3. En los traductores inteligentes: las cuales son capaces de traducir imágenes y texto en solo unos segundos. Los algoritmos que usan el deep learning en su sistema de capas traduce individualmente una palabra y luego la relaciona con las demás para darle un sentido general y apegado a la realidad semántica.
  4. Clasificación de los objetos: las redes neuronales artificiales permiten reconocer y clasificar un objeto. Un ejemplo de ello son los programas de reconocimiento de personas que trabajan en conjunto con las cámaras de seguridad (utilizado con mucha frecuencia en China). Esto es usado también en la automatización industrial cuando un trabajador se encuentra a una distancia poco prudente de una máquina.

Aunado a estos contextos el deep learning se usa también en la conducción autónoma, en el sector de defensa de la nación y seguimiento aeroespacial, en las innovaciones médicas, en el uso de imágenes para efectuar búsquedas de un producto y en la mejora de la realidad virtual en la mayoría de los videojuegos.

Precisamente, este último punto es en el cual se han realizado grandes avances en los últimos dos años.

Machine learning y deep learning: en qué se diferencian

En algunos escenarios estos términos se usan de forma indiscriminada. Pese a ello, como ya se reseñó, entre estos existen diferencias específicas que los clasifican en ámbitos de funcionamiento aislados. Sin embargo, es importante recordar que, en términos generales, el deep learning es una vertiente del maching learning (considerado un subproducto) que se diseñó para ampliar los contextos en que este era aplicado. Como es natural, ambos modelos son considerados formas de la inteligencia artificial.

De igual forma, generalmente ambos métodos funcionan en conjunto para procesar una determinada función. Así, en vez de clasificar su ámbito de aplicación en escenarios distintos, estos se complementan para lograr un óptimo funcionamiento de la inteligencia artificial.

Cada día surgen nuevas ideas para implementar ambos procesos en la vida diaria. La deep learning es denomina la tecnología del futuro; las oportunidades del maching learning lo convierten en el punto fuerte para empresas y desarrolladores.

En la actualidad estos integran muchos aspectos de la vida cotidiana y seguramente abarcarán muchos más de acuerdo con la entrada de la IA en los principales procesos que desarrolla el ser humano.

Sergio Carrasco
Sergio Carrasco Co-Founder - IT Director

Ingeniero Técnico en Informática de Gestión, encargado del Dpto. Técnico y co-CEO de Overant. Su hermano mayor le regaló un ZX Spectrum a los 7 años y desde entonces no ha vuelto a ver la luz del día. Le pone a todo mucha pasión. Flexible y con capacidad de planificación. Tecnócrata informático y ex-runner (malditas lesiones).

Ver perfil completo del autor
¿Qué te ha parecido este artículo?
Deja tu comentario
Acepto la Política de Privacidad (Leer)
Acepto recibir información comercial
¿Necesitas hablar? ¡Contacta con nosotros!