Deep Learning, ¿es tan complicado?

Si hay un término de moda en el campo de la Inteligencia Artificial es el término de Deep Learning o aprendizaje profundo. Si miramos a nuestro alrededor, cualquier sistema basado en inteligencia artificial está basado en sistemas de aprendizaje profundo. Los asistentes personales en los móviles, los traductores on-line, los sistemas biométricos más precisos, todos ellos están basados en sistemas de aprendizaje profundo.

Sin embargo, en el mundo tecnológico/científico hay términos que asustan de sólo oírlos y éste entra dentro de la categoría. Además, el mundo académico se ha encargado de darle un halo de misterio que no es tal. Este tipo de aprendizaje recoge ideas que vienen de los 80’s y que reúnen bajo el paraguas de redes neuronales artificiales. Estos sistemas tuvieron una década dorada, decayendo en la primera década del siglo XXI y cobrando nuevo auge a partir del 2006 bajo el nuevo apellido de aprendizaje profundo. Este nuevo auge se debió principalmente a la “resolución” de dos problemas: la inicialización de los pesos en un modelo neuronal y el del desvanecimiento del gradiente.

Desarrollo fácil y cómodo

Cualquiera que conozca la teoría de los modelos neuronales artificiales sabe que lo que hay debajo (eliminando todos los teoremas, demostraciones, corolarios, etc.) son cuatro ideas básicas fácilmente entendibles y comprensibles. Estas ideas, explicadas con apoyo de ejemplos prácticos y aplicaciones reales, conducen a que personas sin una excesiva formación técnica puedan entender cómo funcionan estos sistemas. Además, las librerías de libre distribución (open source) de Google (Tensorflow, principalmente) están pensadas para implementar sistemas de aprendizaje profundo de forma rápida y efectiva sin muchos conocimientos de programación. Este hecho hace que el implementar sistemas de aprendizaje profundo en una aplicación real sea fácil, rápido y sencillo.

Ahora bien, ¿cómo desarrollamos aplicaciones basadas en Deep Learning? El punto inicial son los datos y, con estas técnicas, dado el ingente número de parámetros a ajustar se necesitan un gran número de ellos. Un ejemplo clásico de aplicación de estas técnicas es la clasificación de dígitos de la base MNIST, que consta de 60.000 imágenes de dígitos manuscritos para ajustar los modelos y 10.000 imágenes para comprobarlos. A continuación, se necesita el software necesario para desarrollar los modelos y aquí se tienen un gran número de opciones. Éstas las agruparemos en los programas más utilizados actualmente en análisis de datos (¡y que encima son gratuitos!): R y sus paquetes orientados a deep learning (Darch, MXNetR, Deepnet, H20 y Deepr) y Python y sus librerías (Theano, Tensorflow y Keras)

Algunos casos reales

Toda esta teoría llevada a casos reales, permitirá a la industria de los coches autónomos, el retail, la manufactura o las finanzas beneficiarse de las posibilidades del

Deep Learning. En concreto, los coches autónomos podrán aprender de lo que observan a través de los datos, de este modo, por ejemplo, los mapas se actualizarán automáticamente permitiendo al vehículo aprender una nueva red de navegación. Los retailers, por su parte, serán capaces de analizar a los clientes según entran en sus tiendas y tendrán la capacidad de ayudarles a encontrar los productos adecuados y las mejores ofertas que se ajusten a su perfil.

En el sector de fabricación, la previsión de piezas en stock, la detección de anomalías o el evitar que se rompa una pieza en la línea de producción, puede suponer grandes ahorros en costes y una mayor eficiencia en el proceso. Por no hablar del desarrollo de robots que ya autoaprenden mediante observación en la línea de producción y que serán capaces de optimizar el proceso de producción al reducir los costes del mismo. Por último, las instituciones financieras pueden detectar nuevas oportunidades de negocio, ofrecer automáticamente nuevos servicios a los clientes, detectar el fraude o incluso recomendar a qué clientes se les pueden realizar préstamos y a quienes no.

Compañías como Persado ya utilizan técnicas de aprendizaje profundo para mejorar el marketing de empresas; mientras que Digital Genius usa estas técnicas para responder a preguntas en determinados ámbitos de aplicación, como la ayuda para los usuarios de KLM; o Affectiva, empresa del MIT que se basa en el aprendizaje profundo para identificar emociones de vídeo o imágenes. Otras compañías relacionadas con mundos dispares, como el legislativo o la medicina de precisión también tienen ejemplos en el mundo real; FiscalNote o Deepgenomics son algunos de ellos.

Como vemos, las posibilidades de negocio son brutales; tenemos la posibilidad de implementar un sistema de inteligencia artificial en cualquier negocio/problema del cual tengamos datos con sólo conocer la base de estos sistemas y con el conocimiento de las librerías que los implementan. Procesado de lenguaje natural, procesado de texto, reconocimiento de voz/audio/imágenes, sistemas predictores de series temporales (consumos energéticos, series financieras, etc.) Todas estas aplicaciones están ahí esperando para que se utilice aprendizaje profundo en ellas. Y cualquiera puede hacerlo, ¿te lo quieres perder?