¿Qué es el deep learning (aprendizaje profundo)?

Explicación

El deep learning, o aprendizaje profundo, es una rama del machine learning basada en redes neuronales artificiales con muchas capas. Cada capa transforma su entrada en una representación algo más abstracta, así que la red aprende por sí misma las características útiles en lugar de depender de las que diseña una persona. El entrenamiento ajusta millones o miles de millones de parámetros con grandes conjuntos de datos y el algoritmo de retropropagación. El deep learning sostiene la visión por computador, el reconocimiento de voz, los modelos de lenguaje y la mayor parte de la IA más avanzada de hoy.

Cómo funciona

Una red neuronal está hecha de capas de unidades sencillas unidas por pesos. Los datos entran por un extremo, atraviesan las capas y producen una salida, como una etiqueta o la siguiente palabra.

Durante el entrenamiento, la salida se compara con la respuesta correcta y la retropropagación ajusta los pesos para reducir el error. Repetido con muchos ejemplos, las primeras capas aprenden patrones simples (bordes, sonidos, trozos de palabra) y las siguientes los combinan en otros más complejos.

Arquitecturas principales

• Redes convolucionales (CNN): imagen y vídeo.
• Redes recurrentes y LSTM: secuencias, hoy sustituidas en gran parte por transformers.
• Transformers: lenguaje y, cada vez más, imagen, audio y datos multimodales.
• Modelos de difusión: generación de imagen, audio y vídeo.
• Autoencoders y modelos de embeddings: representaciones compactas de los datos.

Cuándo tiene sentido

• La entrada no está estructurada: texto, imagen, audio, vídeo.
• Hay muchos datos, o un modelo preentrenado que puedes adaptar.
• La precisión pesa más que tener un modelo totalmente transparente.

Con datos tabulares y pocos ejemplos, métodos más sencillos como los árboles con gradient boosting suelen ser igual de precisos, más baratos y más fáciles de explicar.

Preguntas frecuentes

Términos relacionados

• Visión por Computador Rama de la IA que permite a las máquinas interpretar imágenes y vídeo: reconocer objetos, leer texto, detectar defectos o seguir movimiento.
• Machine Learning Rama de la IA en la que los sistemas aprenden patrones a partir de datos para predecir o decidir, en lugar de seguir reglas escritas a mano.
• Entrenamiento Proceso de enseñar a un modelo a partir de datos ajustando sus parámetros, desde el preentrenamiento general hasta el ajuste fino para una tarea concreta.
• Adaptación de Dominio Ajustar un modelo de IA de propósito general para que funcione bien en un campo especializado, como el legal, el sanitario o el asegurador, con su lenguaje y sus reglas.
• Agenda del agente El plan vivo de un agente de IA: los próximos pasos en orden, las subtareas abiertas, lo bloqueado y los puntos de control hacia un objetivo.
• Agente IA Software que persigue un objetivo decidiendo sus propios pasos, usando herramientas y datos, y actuando sobre sistemas con poca intervención humana.