Aprendizaje profundo y aprendizaje automático: una forma sencilla de entender la diferencia

Entender los últimos avances en inteligencia artificial (IA) puede parecer muy complicado, pero si te interesa aprender las ideas básicas, muchas de las innovaciones de la IA se pueden resumir en dos conceptos: aprendizaje automático y aprendizaje profundo. Estos términos a veces parecen palabras de moda que en realidad son sinónimos, y por eso es importante saber diferenciarlos.

Hay que tener claras sus diferencias, sobre todo porque ahora vemos ejemplos de aprendizaje automático y aprendizaje profundo por todas partes. Gracias a ellos Netflix sabe qué programa querrás ver a continuación y Facebook sabe de quién es la cara que aparece en una foto. Y ambos son también la razón de que existan vehículos sin conductor y de que un representante del servicio de atención al cliente sepa si estás satisfecho con la atención que te ha prestado incluso antes de que rellenes una encuesta de satisfacción del cliente.

Pero ¿qué son estos conceptos que dominan las conversaciones sobre la inteligencia artificial y en qué se distinguen exactamente?
 

Aprendizaje profundo y aprendizaje automático

La forma más fácil de entender la diferencia entre el aprendizaje automático y el aprendizaje profundo es saber que el aprendizaje profundo es una forma de 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 acertadas sin la ayuda de personas.

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

¿Qué es el aprendizaje automático?

Esta es una definición básica del aprendizaje automático:

“Algoritmos que analizan datos, aprenden de ellos y luego aplican lo aprendido para tomar decisiones informadas”.

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 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 como si fueran un asistente personal virtual, algo que hacen bastante bien.

El aprendizaje automático se basa en complejos métodos matemáticos y de programación que, en última instancia, cumplen una función mecánica, igual que una linterna, un coche 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”.

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

La diferencia entre aprendizaje profundo y aprendizaje automático

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.

Aunque los modelos básicos de aprendizaje automático mejoran constantemente para cualquier función a la que se apliquen, todavía necesitan alguna forma de orientación. Si un algoritmo de IA produce una predicción inexacta, debe intervenir un ingeniero para ajustarlo. Con un modelo de aprendizaje profundo, un algoritmo puede determinar por sí mismo si una predicción es acertada o no valiéndose de su propia red neuronal.

Volvamos al ejemplo de la linterna: se podría programar de forma que se encienda cuando reconozca la señal audible de alguien que dice la palabra “oscuro”. Pero, a medida que continúa aprendiendo, podría activarse con cualquier frase que contenga esa palabra. 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.

¿Cómo funciona el aprendizaje profundo?

Un modelo de aprendizaje profundo está diseñado para analizar continuamente los datos con una estructura lógica que saca conclusiones parecidas a las de un ser humano. Para lograr esto, las aplicaciones de aprendizaje profundo utilizan una estructura de algoritmos por niveles llamada red neuronal artificial. El diseño de una red neuronal artificial se inspira en la red neuronal biológica del cerebro humano, lo que genera un proceso de aprendizaje con mucho más potencial que el de los modelos estándar de aprendizaje automático.

No es fácil 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 funciona de la forma prevista, 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.

Para recapitular las diferencias:

• 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.

Los datos son el combustible del futuro

Con las enormes cantidades de datos que genera la actual "era del big data", pronto veremos innovaciones que aún no podemos ni imaginar, quizás ya en los próximos diez años. Según los expertos, algunas de ellas serán probablemente aplicaciones del aprendizaje profundo.

Andrew Ng, el director científico de Baidu —el motor de búsqueda más importante de China— y uno de los líderes del proyecto Google Brain, ofreció una excelente analogía del aprendizaje profundo en la revista Wired: "Para mí, la IA es como construir un cohete. Necesitas un motor enorme y mucho combustible", declaró al periodista Caleb Garling de Wired. "Si el motor es grande y tienes poco combustible, no podrás ponerlo en órbita. Si tienes un motor pequeño y una tonelada de combustible, no podrá ni despegar. De modo que para construir un cohete se necesitan 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".

– Andrew Ng (fuente: Wired)

¿Qué papel juegan 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 su vez, cuando ese contexto 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 las aplicaciones más prácticas de la IA en el ámbito de los negocios serán las relacionadas con el servicio de atención al cliente.

 
A medida que el aprendizaje profundo se vaya refinando, el servicio de atención al cliente se beneficiará de aplicaciones de la inteligencia artificial aún más avanzadas. Un buen ejemplo es el Answer Bot de Zendesk, que incorpora un modelo de aprendizaje profundo para entender el contexto de un ticket de soporte y aprender qué artículos de ayuda debe sugerir a un cliente.