Continuando un par de artículos que hemos hecho, aquí te hablaremos de qué es el Deep Learning y su relación con el Machine Learning. Ambos términos son cada vez más importantes en la sociedad en la que vivimos y te será de gran ayuda saber qué nos rodea.
Índice de contenidos
El Deep Learning es un subconjunto de técnicas que nacieron alrededor de los años 2000 fruto del Machine Learning. Por esta razón, deberíamos catalogarla como una de sus rama, siendo a su vez parte de la ciencias de la computación.
Estos sistemas son más autónomos que sus hermanos mayores, aunque su estructura también es bastante más compleja. Esto les da una clara ventaja a la hora de realizar diferentes tipos de tareas donde desempeñan una labor igual o mejor que otros sistemas con algoritmos Machine Learning.
Asimismo, existen otros trabajos donde Deep Learning destaca sobre su antecesor. Uno de los casos más sonados son las Inteligencias Artificiales estilo AlphaGo, la Inteligencia de Google capaz de vencer al campeón mundial de Go.
Quizás te suena un poco a chino, pero Go es un juego muy famoso y, además, muy exigente. Para ponerlo en contexto, matemáticos afirman con rotundidad que este pasatiempo es considerablemente más complejo que el ajedrez.
Por otro lado, el Deep Learning está muy relacionados con el Big Data, puesto que estas grandes fuentes de información les pueden servir para aprender y consolidar experiencia. Además, gracias a la situación en la que estamos, el ambiente para la proliferación y desarrollo de esta tecnología es perfecta por tres puntos clave:
Pese a tener un desarrollo bastante similar al Machine Learning, este conjunto de algoritmos tienen algunas diferencias nucleares. La más importante es probablemente su estructura interna, es decir, el código que conforma su algoritmo.
Como ves en la imagen, el Deep Learning está bastante relacionado con las redes neuronales. Este concepto no es nuevo, pero tampoco lleva mucho tiempo con nosotros, así que es posible que no lo conozcas.
Para simplificarlo, podríamos definir a una red neuronal como un conjunto de algoritmos (cada uno llamado capa) que tratan y se transmiten información. Cada capa recibe unos valores de entrada y devuelven unos de salida y, al pasar por toda la red, se devuelve un valor resultante final. Todo esto, ocurre de forma secuencial, normalmente, donde cada capa tiene un peso distinto, según el resultado buscado.
Aquí te mostramos un breve vídeo (en inglés) sobre una Inteligencia Artificial aprendiendo a jugar Super Mario World:
Y quizás te preguntes: «¿Por qué todo este método tan intrincado?». Ciertamente, el Deep Learning aún pertenece a lo que llamamos las Inteligencias Artificiales Débiles, pero posiblemente sea el primer paso hacia las fuertes.
Esta metodología está inspirada vagamente en el funcionamiento de un cerebro. Similar a lo que vemos en el «mundo físico», los sistemas forman capas y cada capa funciona de una forma similar a una neurona. De este modo, las capas se relacionan entre ellas, comparten información y lo más importante es que todo se hace de forma autónoma.
Siguiendo esta regla, las Inteligencias más completas son, normalmente, los que tienen más capas y algoritmos más sofisticados.
Si has visto nuestros artículos previos acerca del tema, habrás visto ya este gif. Aquí puedes ver nuestro artículo sobre Inteligencia Artificial y aquí puedes leer un poco sobre el Machine Learning.
pero te lo volvemos a enseñar una última vez.
Esta imagen refleja bien y de una forma muy sencilla cómo funcionaría una Inteligencia que use redes neuronales. Como ves, su labor es simple: clasificar imágenes y aprender a detectar perros en las diferentes fotos que le vayan pasando.
Cada imagen empieza entrando por la feed de entrada, es decir, por la Input Layer donde ya comenzarían los primeros cálculos. Los resultados obtenidos serían compartidos a la segunda capa o neurona y, evidentemente, se le informa qué neurona ha hecho dicho cálculo. Este proceso se repite tantas veces como capas tenga nuestro sistema hasta que lleguemos a la última de ellas.
La última neurona es nombrada como la Output Layer y es la que, en este ejemplo, muestra el resultado. En otros casos, la Output Layer acaba siendo realizar la acción calculada. Asimismo, si metemos en la fórmula tener que actuar lo más rápido posible (como en videojuegos), el resultado debe ser casi instantáneo. No obstante, gracias al punto tecnológico en el que estamos esto ya es posible.
Uno de los ejemplos más claros de ello es la Inteligencia Artificial AlphaStar, otra creación de la misma Google.
Te hemos hablado de AlphaGo, una IA capaz de pelear contra los mejores jugadores de Go del mundo. Sin embargo, esta tiene hermanos menores capaces de lograr algunos hitos bastante impresionantes.
AlphaZero es una iteración más compleja basada directamente en su hermano mayor AlphaGo Zero.
Esta Inteligencia aprendió en tan solo 24 horas un nivel sobrehumano de ajedrez, shoji y go con el que ganó a varios jugadores famosos. Asimismo, en la lista de contrincantes derrotados apuntó también a la versión de AlphaGo Zero de 3 días de experiencia, algo realmente increíble. Aquí sale a relucir la velocidad de aprendizaje de esta Inteligencia Artificial.
Lo más impresionante de todo es que el equipo no tuvo acceso a libros de aprendizaje o base de datos, por lo que todas sus tácticas fueron aprendidas con la práctica.
En otro de sus encuentros se enfrentó a Stockfish, un veterano programa automatizado de código abierto que juega a ajedrez. No obstante, en tan solo cuatro horas fue dominado por AlphaZero.
Cabe destacar que mientras que este primero calcula unos 70 millones de movimientos, AlphaZero, en ajedrez, solamente toma en cuenta 80 mil salidas diferentes. La diferencia de predicciones se compensaba con un mucho mejor juicio de cuáles serían jugadas prometedoras.
Con demostraciones de fuerza como este podemos ver la potencia de las nuevas Inteligencias Artificiales.
Por otro lado, AlphaStar es una IA que, hoy día, es capaz de jugar al RTS Starcraft II (Estrategia en Tiempo Real, en español).
En el momento de su demostración, AlphaStar peleó contra varios jugadores profesionales del medio ganando diez partidas consecutivas y perdiendo solamente la última.
A diferencia del ajedrez o el go, Starcraft II es un enfrentamiento en tiempo real, por lo que cada segundo tienes que estar haciendo cosas. Debido a esto, podemos entrever que la tecnología actual es capaz de mantener estos ritmos frenéticos de cálculo y decisión.
Te recomendamos la lectura de cómo montar un ordenador
En cuanto a la preparación de la Inteligencia, para las fechas de la prueba en vivo tenía alrededor de 200 años de experiencia entrenando solamente con protos (una de las razas disponibles). También fue capada para que solamente pudiese realizar acciones si tenía la cámara físicamente sobre la unidad, así se asimilaba más a cómo jugaría una persona.
Sin embargo, pese a tener estos hándicaps, AlphaStar consiguió vencer la mayoría de sus encuentros usando una táctica abandonada en la vertiente competitiva del juego. Un punto a destacar, es que AlphaStar suele mantener las APM (Acciones Por Minuto) bajas, por lo que sus decisiones son muy eficientes.
Sin embargo, cuando la situación lo requiere demuestra un control sobrehumano, literalmente, de las unidades rompiendo fácilmente el contador.
Aquí puedes ver una de sus demostraciones al completo:
Ya te hemos hablado de este tema, así que no te repetiremos demasiado la misma charla. Lo que sí cabe destacar son los posibles futuros que le esperan al Deep Learning.
Según Andrew Yan-Tak Ng, un conocido experto en materia de Inteligencias Artificiales, el Deep Learning es un buen paso hacia las Inteligencias del futuro. A diferencia de otros métodos de enseñanza, este es considerablemente más eficiente a medida que aumentamos la muestra de datos.
La siguiente diapositiva pertenece a su presentación «Lo que los científicos de la información deberían saber acerca del Deep Learning». Si te interesa, puedes verla en este enlace.
No en balde, el desarrollo de tecnología no ha parado. Cada año tendremos componentes más potentes, por lo que cada vez tendremos más patio para probar. Igual que ocurrió con las IAs antiguas y el Machine Learning, nuevos algoritmos, metodologías y sistemas aparecerán y reemplazarán al hoy innovador Deep Learning.
Asimismo, como te imaginarás, el futuro está abordado por las máquina semi-inteligentes.
Como te apuntamos en otros artículos, la mayoría de aparatos electrónicos tendrán (algunos ya las incorporan) Inteligencias de apoyo. Un caso muy notable es el de las Inteligencias que ayudan a realizar fotos de mejor calidad.
Sin embargo, un punto donde quizás florezca esta tecnología para con la mayoría de usuarios es el IoT (Internet de las Cosas, en español).
Este término cada vez tiene más peso en las conferencias de tecnología e informática y busca consolidarse ahora que tenemos los medios.
La idea es que los electrodomésticos, aparatos eléctricos y demás sean objetos identificables, puedan comunicarse entre ellos y, además, ser controlados con un dispositivo. De esta forma podemos tener un recuento de qué objetos existen en un lugar, dónde están, interactuar con ellos y todo ello desde el móvil. Asimismo, los objetos también podrían interactuar entre ellos y si por ejemplo un alimento caducase, quizás el frigorífico sería capaz de indicártelo cuando lo abrieses.
Por otro lado, las Inteligencias Artificiales deberían ser capaces de monitorear el estado y rendimiento de los electrodomésticos. Con ello, podría establecer un plan de electricidad y optimizar la energía utilizada.
No obstante, un punto relevante que nos queda por perfeccionar sería la seguridad para con Internet. Es algo que aún no parece sufrir mucho acoso, pero todos sabemos que será imprescindible si queremos que sea un servicio seguro.
Es una idea un poco abstracta, pero a medida que vaya invadiendo nuestras vidas, te irás familiarizando.
Es ineludible pensar que la informática y las Inteligencias Artificiales van a conformar gran parte del futuro que nos espera. Por eso, es importante siempre estar medio enterado/a de qué va pasando en el mundo regido por bits.
Con ese espíritu en mente, ya podemos ver cómo van apareciendo diferentes titulaciones, cursos y grados que enseñan estos temas en profundidad. Por ejemplo, han aparecido algunas ingenierías de datos, otros grados sobre Big Data y, claramente, cursos de Deep Learning e Inteligencia Artificial.
Por ese mismo motivo, te instamos a que investigues sobre el tema. Internet, con sus más y sus menos, aún no es autónoma, ni perfecta, ni realmente segura, pero es una fuente casi ilimitada de conocimiento. Con un poco de suerte, encontrarás de dónde aprender y podrás embarcarte en un nuevo lenguaje, o mejor dicho, un nuevo mundo.
Te recomendamos la lectura de los mejores procesadores del mercado
Como el Machine Learning es una disciplina ligeramente más liviana, existen programas que te permiten trastear un poco con los datos. Si te interesa conocer un poco más del tema y comprobar por ti mismo/a los límites de esta tecnología, puedes visitar IBM Watson Developer Cloud o Amazon Machine Learning. Te avisamos: te tendrás que crear una cuenta y no será un camino fácil de aprender, pero quizás un día te sirva para alcanzar grandes metas.
Más allá de aquí es el mundo de las ideas, así que todo queda en tus manos. Y a ti, ¿qué te parecen las nuevas tecnologías relacionadas con la Inteligencia Artificial? ¿Qué otras aplicaciones del Deep Learning conoces o te gustaría ver? Comparte tus ideas en la caja de abajo.
Se ha filtrado la primera tarjeta gráfica personalizada basado en la GPU Arc B580 de…
Hoy tenemos mucha información filtrada sobre la serie RTX 50 y su buque insignia, la…
SK Hynix anuncia la producción de sus memorias flash NAND más avanzadas hasta ahora, que…
