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.
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.
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:
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.
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.
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:
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.
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.
Con más de 20 años en el sector, especializado en posicionamiento de páginas web en buscadores y CEO de Overant. Le pone a todo mucha pasión. Flexible y con capacidad de planificación. Tecnócrata informático y apasionado del deporte.
Ver perfil completo del autor