El aprendizaje profundo o deep learning es una subcategoría de la inteligencia artificial que emplea redes neuronales para automatizar el análisis predictivo. Intenta imitar al máximo al cerebro humano, permitiendo a los sistemas de información agrupar datos y hacer predicciones con gran precisión. Puede usarse, por ejemplo, para mejorar el reconocimiento de voz, realizar traducciones automáticas, percibir ciertos objetos… Incluso ha demostrado tener capacidad para crear software capaz de identificar emociones o eventos en un texto o realizar complejas predicciones sobre el comportamiento de las personas.
El aprendizaje profundo es, de hecho, un subcampo del aprendizaje automático que se define por la complejidad y la profundidad (de ahí el nombre) del modelo matemático implicado. La “profundidad” del modelo se refiere al uso de múltiples capas de análisis, que permiten al algoritmo aprender progresivamente estructuras más complejas. El aprendizaje profundo se basa en redes neuronales artificiales, cuya arquitectura se inspira en sistemas biológicos; por ejemplo, en cómo procesa la información visual nuestro cerebro a través de los ojos.
Para entender cómo funciona el aprendizaje profundo, podemos imaginarnos a un niño cuya primera palabra es “perro”, y que va a aprendiendo lo que significa señalando objetos y diciendo esa palabra. Su madre le va diciendo “eso sí es un perro” o “eso no es un perro” por lo que el niño entiende cada vez mejor qué características debe tener un perro para considerarse como tal. Es una forma de aclarar un concepto complejo construyendo una jerarquía con niveles y capas de conocimiento.
En el ámbito informático, el aprendizaje profundo sigue el mismo proceso: cada algoritmo crea una capa de datos tras otra hasta alcanzar el nivel deseado de conocimiento. Aunque una red neuronal con una sola capa puede hacer predicciones aproximadas, las capas ocultas adicionales pueden ayudar a optimizar y refinar enormemente la precisión. Un programa informático que use algoritmos de aprendizaje profundo podría ordenar millones de imágenes e identificar qué imágenes incluyen perros en cuestión de segundos. Para lograrlo, previamente necesitaría acceder y analizar enormes cantidades de datos como entrenamiento. Simulando cómo funciona el cerebro humano, el programa aprende después de cada experiencia.
A diferencia del aprendizaje automático, el aprendizaje profundo requiere menos supervisión, incluso puede aprender por sí mismo sin intervención humana directa. El deep learning impulsa muchas aplicaciones y servicios de inteligencia artificial que mejoran la automatización, realizando tareas analíticas y físicas sin mediación humana. La tecnología de aprendizaje profundo está detrás de productos y servicios cotidianos como los asistentes virtuales, los mandos de televisión con voz y la detección de fraudes con tarjetas de crédito, y también está presente en tecnologías emergentes como los coches sin conductor.
