Artículo | 8 min. de lectura

Aprendizaje profundo vs. aprendizaje automático. ¿En qué se diferencian?

He aquí el aspecto más sencillo para que entiendas la diferencia entre el aprendizaje profundo y el aprendizaje automático. Todo aprendizaje profundo es aprendizaje automático, pero no todo aprendizaje automático es aprendizaje profundo.

Por Brett Grossfeld, Escritor colaborador

Última actualización el 10 de julio de 2023

Entender los últimos avances en inteligencia artificial (IA) puede parecer muy complicado, pero si quieres conocer las ideas básicas, muchas de las innovaciones de la IA se pueden resumir en dos conceptos: aprendizaje automático y aprendizaje profundo.

Tenemos ejemplos de aprendizaje automático y aprendizaje profundo por todas partes. Es lo que hace que los vehículos sin conductor sean una realidad, que Netflix sepa qué serie te interesaría seguir viendo y que Facebook reconozca el rostro de alguien en una foto.

Quizá los conceptos de aprendizaje automático y aprendizaje profundo te parezcan palabras de moda intercambiables, pero existen diferencias entre ellos. Entonces, ¿qué son exactamente estos dos conceptos que acaparan todas las conversaciones sobre IA y en qué se diferencian? Sigue leyendo para averiguarlo.

Aprendizaje profundo vs. aprendizaje automático

El primer paso para comprender la diferencia entre el aprendizaje automático y el aprendizaje profundo es reconocer que el aprendizaje profundo es aprendizaje automático.

Más concretamente, el aprendizaje profundo se considera una evolución del aprendizaje automático. Utiliza una red neuronal programable que permite a las máquinas tomar decisiones correctas sin ayuda de personas.

Pero, para los neófitos, definamos primero qué es el aprendizaje automático.

¿Qué es el aprendizaje automático?

Definición de aprendizaje automático: Una aplicación de inteligencia artificial con algoritmos que analizan datos, que aprenden de dichos datos y que, en última instancia, aplican lo aprendido para tomar decisiones fundamentadas.

¿Cómo funciona el aprendizaje automático?

Un ejemplo sencillo de un algoritmo de aprendizaje automático es un servicio de streaming de música a demanda. El servicio decide qué canciones o artistas nuevos recomendar a un oyente basándose en algoritmos de aprendizaje automático que asocian las preferencias del oyente con otros oyentes que tienen gustos musicales parecidos. Esta técnica, que suele designarse simplemente como IA, se utiliza en muchos servicios que ofrecen recomendaciones automatizadas.

El aprendizaje automático se basa en complejos métodos matemáticos y de programación que, en última instancia, cumplen la misma función mecánica que una linterna, un automóvil o una pantalla de ordenador. Cuando decimos que algo tiene capacidad de "aprendizaje automático", significa que ese algo realiza una función sobre los datos que se le pasan y mejora progresivamente con el tiempo. Es como si tuvieras una linterna que se enciende cada vez que dices "está oscuro”, de forma que podría reconocer diferentes frases que contienen la palabra “oscuro”.

El aprendizaje automático está detrás de todo tipo de tareas automatizadas utilizadas en muchos sectores, desde empresas de seguridad de datos que persiguen el malware hasta profesionales de las finanzas que desean recibir mensajes de alerta cuando aparecen inversiones beneficiosas. Los algoritmos de IA están programados para aprender constantemente de una manera que simula un asistente personal virtual, algo que hacen bastante bien.

La forma en que las máquinas pueden aprender nuevos trucos empieza a ponerse realmente interesante (y apasionante) cuando entramos en el tema del aprendizaje profundo y las redes neuronales profundas.

¿Qué es el aprendizaje profundo?

Definición de aprendizaje profundo: Un subcampo del aprendizaje automático que estructura algoritmos en niveles para crear una “red neuronal artificial” capaz de aprender y tomar decisiones inteligentes por sí misma.

¿Cómo funciona el aprendizaje profundo?

Los modelos de aprendizaje profundo se han diseñado para analizar continuamente los datos con una estructura lógica que saca conclusiones parecidas a las de un ser humano. Para lograr este análisis, las aplicaciones de aprendizaje profundo utilizan una estructura de algoritmos por niveles llamada red neuronal artificial. El diseño de una red neuronal artificial está inspirado en la red biológica de neuronas del cerebro humano, lo que permite un sistema de aprendizaje mucho más eficaz que los modelos estándar de aprendizaje automático.

Es complicado asegurar que un modelo de aprendizaje profundo no saque conclusiones incorrectas. Como otros ejemplos de la IA, requiere mucho entrenamiento para que los procesos de aprendizaje sean correctos. Pero cuando finalmente funciona tal como se prevé, el aprendizaje profundo funcional suele ser recibido como una maravilla de la ciencia que muchos consideran la columna vertebral de la verdadera inteligencia artificial.

Un buen ejemplo de aprendizaje profundo es AlphaGo de Google, un programa informático creado por Google con su propia red neuronal, que aprendió a jugar al juego de mesa abstracto llamado Go, conocido por requerir una sólida capacidad intelectual e intuitiva. El modelo de aprendizaje profundo de AlphaGo se enfrentó a jugadores profesionales de Go, lo que le permitió aprender a jugar a un nivel nunca visto en la inteligencia artificial, incluso sin que se le dijera cuándo debía hacer un movimiento determinado (como requeriría un modelo estándar de aprendizaje automático).

Se formó un importante revuelo cuando AlphaGo derrotó a varios “maestros” del juego de fama mundial: no solo había quedado claro que una máquina podía comprender las complejas técnicas y los aspectos abstractos del juego, sino que también se estaba convirtiendo en uno de los mejores jugadores. Sin duda fue una batalla entre la inteligencia humana y la artificial, y esta última salió victoriosa.

Para casos de uso más prácticos, imagina una aplicación de reconocimiento de imágenes que pudiera identificar un tipo de flor o una especie de ave a partir de una foto. Dicha clasificación de imágenes está impulsada por una red neuronal profunda. El aprendizaje profundo también guía el reconocimiento de voz y la traducción y, literalmente, conduce automóviles autónomos.

La diferencia entre el aprendizaje automático y el aprendizaje profundo

En la práctica, el aprendizaje profundo es solo un subconjunto del aprendizaje automático. De hecho, el aprendizaje profundo técnicamente es aprendizaje automático y funciona de una manera similar, de ahí que los términos a veces se intercambien sin excesivo rigor. No obstante, sus capacidades son diferentes.

Si bien los modelos básicos de aprendizaje automático mejoran constantemente en el desempeño de sus funciones específicas a medida que incorporan nuevos datos, siguen necesitando intervención humana de un modo u otro. Si un algoritmo de IA produce una predicción inexacta, entonces un ingeniero tiene que intervenir y hacer ajustes. Con un modelo de aprendizaje profundo, un algoritmo puede determinar si una predicción es acertada o no valiéndose de su propia red neuronal, sin necesidad de ayuda humana.

Madurez en CX entre las pymes de Norteamérica

Zendesk se ha asociado con ESG Research para crear un marco en torno a la madurez de CX y al éxito de CX con el objetivo de ayudar a los directivos de las pequeñas y medianas empresas (pymes) a identificar en qué fase del camino se encuentran y, a partir de ahí, elaborar una hoja de ruta para el futuro.

Volvamos al ejemplo de la linterna. Podría programarse para que se encendiera al reconocer la señal audible de la palabra "oscuro" mencionada por alguien. Pero, a medida que continúa aprendiendo, podría activarse con cualquier frase que contenga esa palabra. Pero, con un modelo de aprendizaje profundo, la linterna podría entender que debería encenderse con las indicaciones “no veo” o “el interruptor de la luz no funciona”, posiblemente combinadas con un sensor de luz.

Un modelo de aprendizaje profundo es capaz de aprender por medio de su propio método de computación, una técnica con la que parece que tiene un cerebro propio.

En otras palabras, las principales diferencias entre el aprendizaje automático y el aprendizaje profundo son:

  • El aprendizaje automático utiliza algoritmos para analizar los datos, aprender de ellos y tomar decisiones informadas basadas en lo que ha aprendido.
  • El aprendizaje profundo estructura algoritmos en niveles para crear una “red neuronal artificial” capaz de aprender y tomar decisiones inteligentes por sí misma.
  • El aprendizaje profundo es un subcampo del aprendizaje automático. Aunque ambos entran en la categoría más amplia de la inteligencia artificial, el aprendizaje profundo es la base de una inteligencia artificial más parecida a la humana.

¿Cuántos tipos diferentes de aprendizaje automático hay?

Para profundizar un poco más en el tema, veamos los tres tipos principales de aprendizaje automático y cómo se diferencian entre sí.

1. Aprendizaje supervisado

Como habrás adivinado por el nombre, este subconjunto de aprendizaje automático requiere la máxima supervisión. Un ordenador recibe datos de entrenamiento y un modelo para responder a los datos.

Un científico de datos "supervisa" el proceso mediante la confirmación de respuestas precisas y la corrección de respuestas inexactas a medida que el ordenador va recibiendo nuevos datos.

Por ejemplo, imagina que un programador está "enseñando" a un ordenador a diferenciar entre perros y gatos. Alimentará el modelo informático mediante un conjunto de datos etiquetados; en este caso, fotos de perros y gatos claramente identificados. Con el tiempo, el modelo empezará a reconocer patrones, como que los gatos tienen bigotes largos o que los perros pueden sonreír. Luego, el programador empezará a alimentar el ordenador con datos sin etiquetar (fotos no identificadas) y probará la capacidad del modelo para identificar con precisión perros y gatos.

2. Aprendizaje no supervisado

El aprendizaje supervisado implica dar al modelo todas las "respuestas correctas" (datos etiquetados) como una forma de enseñarle a identificar datos no etiquetados. Es como pedirle a alguien que se lea una guía sobre aves y luego usar tarjetas para comprobar que ha aprendido y sabe identificar diferentes especies por sí mismo.

Por el contrario, el aprendizaje no supervisado implica alimentar al ordenador solo con datos no etiquetados y luego dejar que el modelo identifique los patrones por sí mismo. Este método de aprendizaje automático suele usarse en casos en los que no está claro cómo se verán los resultados, por lo que necesitas que el ordenador explore las capas ocultas de datos y agrupe los datos en función de las similitudes o diferencias.

Por ejemplo, supongamos que tu empresa desea analizar datos para identificar segmentos de clientes. Pero desconoces los segmentos que existen. Deberás introducir los datos de entrada sin etiquetar en el modelo de aprendizaje no supervisado para que pueda actuar como su propio clasificador de segmentos de clientes.

3. Aprendizaje por refuerzo

El método de aprendizaje por refuerzo es un enfoque de prueba y error que permite a un modelo aprender utilizando la retroalimentación de sus propias acciones. El ordenador recibe “retroalimentación positiva” cuando comprende o clasifica los datos de manera correcta y “retroalimentación negativa” cuando falla. Dado que “premia” el buen comportamiento y “castiga” el malo, este método de aprendizaje refuerza el primero. Además, diferencia el aprendizaje por refuerzo del aprendizaje supervisado, donde el científico de datos tan solo tiene que confirmar o corregir el modelo en lugar de recompensarlo o castigarlo.

El aprendizaje por refuerzo se utiliza para ayudar a las máquinas a dominar tareas complejas que incluyen grandes cantidades de datos, como conducir un automóvil. Tras un exhaustivo proceso de prueba y error, el programa aprende a tomar una serie de decisiones, lo cual es necesario para muchos procesos de varios pasos.

¿Cuántos tipos de algoritmos de aprendizaje profundo existen?

Con el aprendizaje automático, los ordenadores consiguen llevar a cabo tareas extraordinarias, pero todavía no logran replicar la inteligencia humana. Por otro lado, las redes neuronales profundas están modeladas a partir del cerebro humano, lo cual supone un nivel más sofisticado de inteligencia artificial.

Existen diferentes tipos de algoritmos de aprendizaje profundo. A continuación examinaremos los modelos más populares.

Redes neuronales convolucionales

Las redes neuronales convolucionales (RNC) son algoritmos diseñados específicamente para el procesamiento de imágenes y la detección de objetos. La "convolución" es un proceso único de filtrado a través de una imagen que sirve para evaluar cada elemento dentro de ella.

Las RNC suelen utilizarse para impulsar la visión artificial, un campo de la IA que enseña a las máquinas a procesar el mundo visual. La tecnología de reconocimiento facial es un uso común de la visión artificial.

Redes neuronales recurrentes

Las redes neuronales recurrentes (RNR) tienen bucles de retroalimentación integrados que permiten a los algoritmos "recordar" puntos de datos anteriores. Las RNR pueden usar esta memoria de eventos pasados para fundamentar su comprensión de los eventos actuales o incluso predecir el futuro.

Una red neuronal profunda puede "pensar" mejor cuando tiene este nivel de contexto. Por ejemplo, una aplicación de mapas impulsada por un RNR puede "recordar" si el tráfico tiende a empeorar. Luego puede usar este conocimiento para recomendarte un trayecto alternativo justo antes de que te quedes atrapado en mitad de un atasco en hora punta.

Los datos son el combustible del futuro

Con la enorme cantidad de nuevos datos producidos por la actual "era del big data", inevitablemente estamos siendo testigos de innovaciones que ni siquiera podíamos imaginar. De acuerdo con los expertos en ciencia de datos, es probable que algunos de estos avances serán aplicaciones de aprendizaje profundo.

Andrew Ng, exjefe científico del principal motor de búsqueda de China, Baidu, y uno de los líderes del Google Brain Project, compartió una excelente analogía relacionada con los modelos de aprendizaje profundo con Wired:

"Creo que crear inteligencia artificial es lo mismo que crear un cohete: se necesita un motor enorme y mucho combustible", dijo al periodista de Wired, Caleb Garling. "Si el motor es grande y tienes poco combustible, no podrás ponerlo en órbita. Si tienes un motor pequeño y una tonelada de combustible, ni siquiera podrás despegar. De modo que para construir un cohete se necesita un motor enorme y mucho combustible. En esta analogía con el aprendizaje profundo, el motor del cohete es el modelo de aprendizaje profundo y el combustible es la gran cantidad de datos que podemos suministrar a estos algoritmos".

¿Qué papeles desempeñan el aprendizaje automático y el aprendizaje profundo en el servicio de atención al cliente?

Muchas de las aplicaciones actuales de la IA en el servicio de atención al cliente utilizan algoritmos de aprendizaje automático, que se usan como base del autoservicio, para aumentar la productividad de los agentes y para diseñar flujos de trabajo más fiables.

Los datos introducidos en estos algoritmos provienen de un flujo constante de consultas enviadas por los clientes, e incluyen el contexto que rodea a cada problema a los que se enfrentan los compradores. A su vez, cuando esa información se añade a una aplicación de IA se generan predicciones más rápidas y precisas. Esto ha convertido la inteligencia artificial en una interesante posibilidad para muchas empresas, y los líderes de la industria especulan con que los casos de uso más prácticos de la IA en el ámbito de los negocios serán las relacionadas con el servicio de atención al cliente.

Por ejemplo, el aprendizaje automático y el aprendizaje profundo se utilizan para potenciar el procesamiento del lenguaje natural (PLN), una rama de la informática que permite a los ordenadores comprender texto y voz. En el mundo de la CX, Amazon Alexa y Siri de Apple son dos excelentes ejemplos de "agentes virtuales" que pueden usar el reconocimiento de voz para responder las preguntas de los consumidores.

Los bots de atención al cliente con tecnología de IA también usan los mismos métodos de aprendizaje para responder al texto escrito. Un gran ejemplo del mundo real son los bots avanzados de Zendesk. Se trata de bots mejorados para mensajería y correo electrónico que aprovechan la base de datos más amplia de intenciones de los clientes, específica de los equipos de CX de tu sector para obtener respuestas más personalizadas y precisas, una mayor productividad de los agentes y una configuración más rápida.

Más información sobre nuestras herramientas de creación de bots.

Madurez en CX entre las pymes de Norteamérica

Zendesk se ha asociado con ESG Research para crear un marco en torno a la madurez de CX y al éxito de CX con el objetivo de ayudar a los directivos de las pequeñas y medianas empresas (pymes) a identificar en qué fase del camino se encuentran y, a partir de ahí, elaborar una hoja de ruta para el futuro.

Madurez en CX entre las pymes de Norteamérica

Zendesk se ha asociado con ESG Research para crear un marco en torno a la madurez de CX y al éxito de CX con el objetivo de ayudar a los directivos de las pequeñas y medianas empresas (pymes) a identificar en qué fase del camino se encuentran y, a partir de ahí, elaborar una hoja de ruta para el futuro.

Más información