El aprendizaje profundo (deep learning) es una de las ramas más avanzadas de la inteligencia artificial y constituye la base de muchas de las aplicaciones que usamos todos los días, desde el reconocimiento facial y la traducción automática hasta los asistentes de voz y los sistemas capaces de generar imágenes y texto. Su objetivo es que las computadoras, inspiradas en el funcionamiento del cerebro humano, aprendan a identificar patrones complejos en grandes cantidades de datos.
En los métodos tradicionales de aprendizaje automático, los especialistas suelen indicar explícitamente qué características de los datos son importantes para resolver un problema. En cambio, el aprendizaje profundo recibe los datos originales y aprende por sí mismo cuáles son las características más útiles para realizar la tarea. Es similar a una persona que mejora una habilidad mediante mucha práctica, ajustando gradualmente su desempeño a partir de la experiencia. Gran parte de la revolución actual del aprendizaje profundo se debe al denominado mecanismo de atención (attention mechanism), presentado en 2017 en el artículo Attention Is All You Need. Este método permite que los modelos identifiquen qué palabras de un texto o qué regiones de una imagen contienen la información más relevante para cada tarea, mejorando significativamente su capacidad para comprender el contexto y establecer relaciones complejas entre los datos.
La base de esta tecnología son las redes neuronales. Cada neurona recibe información, la combina mediante valores numéricos llamados pesos, añade un término conocido como sesgo y aplica una función matemática que determina la información que transmitirá a la siguiente etapa. Este proceso matemático permite que la red aprenda relaciones cada vez más complejas entre los datos.
Lo que hace que una red neuronal sea “profunda” es la existencia de múltiples capas de neuronas conectadas entre sí. Las primeras capas suelen detectar características simples, como bordes o colores en una imagen; las siguientes combinan esos elementos para identificar formas y partes de objetos, y las capas finales integran toda esa información para reconocer elementos completos, como un automóvil o un rostro. Cada nivel construye representaciones más complejas a partir de las anteriores, lo que permite resolver tareas que serían muy difíciles mediante reglas programadas manualmente.
El aprendizaje ocurre durante una etapa llamada entrenamiento. En este proceso se presentan a la red miles o incluso millones de ejemplos. Al principio, sus respuestas son casi aleatorias, pero cada predicción se compara con la respuesta correcta para calcular el error. Después, mediante un algoritmo conocido como retropropagación (backpropagation), la red ajusta gradualmente los pesos y los sesgos de sus neuronas con el fin de reducir ese error. Tras repetir este procedimiento innumerables veces, la red mejora progresivamente hasta alcanzar un alto nivel de precisión. Este entrenamiento requiere enormes cantidades de datos y una gran capacidad de procesamiento, razón por la que suele realizarse utilizando procesadores gráficos o GPU, capaces de ejecutar millones de operaciones en paralelo.
Aunque el aprendizaje profundo se popularizó en la última década, sus fundamentos se remontan a mediados del siglo XX. En las décadas de 1940 y 1950, Warren McCulloch y Walter Pitts desarrollaron uno de los primeros modelos matemáticos de una neurona artificial, mientras que Frank Rosenblatt presentó el perceptrón, un sistema capaz de aprender tareas sencillas. Durante varios años el campo experimentó avances limitados y periodos de poco interés, conocidos como “inviernos de la inteligencia artificial”. Sin embargo, el panorama cambió a comienzos de la década de 2010 gracias a la disponibilidad de grandes volúmenes de datos, el desarrollo de nuevos algoritmos y el gran incremento en la potencia de cómputo. Un momento decisivo ocurrió en 2012, cuando la red neuronal AlexNet logró una reducción sin precedentes en la tasa de error del concurso ImageNet de reconocimiento de imágenes, marcando el inicio de la expansión del aprendizaje profundo.
Actualmente esta tecnología forma parte de numerosas aplicaciones cotidianas. Permite que los teléfonos móviles reconozcan el rostro de sus usuarios para desbloquearse, que las plataformas de entretenimiento recomienden películas o series de acuerdo con los gustos de cada persona, que los asistentes virtuales comprendan órdenes habladas y que los vehículos con funciones de conducción automatizada identifiquen peatones, señales y otros vehículos. También desempeña un papel fundamental en la medicina, donde ayuda a los profesionales de la salud a detectar anomalías en imágenes médicas, en los sistemas de traducción automática y en los modelos de inteligencia artificial capaces de generar texto, imágenes, audio o código informático.
Uno de los aspectos más sorprendentes del aprendizaje profundo es la capacidad de las Redes Generativas Antagónicas (Generative Adversarial Networks o GAN) para crear imágenes completamente nuevas. Gracias a la competencia entre dos redes neuronales —una que genera imágenes y otra que intenta distinguir si son reales o falsas—, estos sistemas pueden producir retratos humanos de apariencia tan realista que muchas personas no son capaces de diferenciarlos de una fotografía auténtica, aun cuando las personas representadas nunca han existido.
Sin embargo, esta tecnología también presenta vulnerabilidades. Un ejemplo son los llamados ataques adversarios, en los que pequeñas modificaciones prácticamente imperceptibles para el ojo humano pueden hacer que una red neuronal clasifique erróneamente una imagen con una confianza muy alta. En experimentos se ha demostrado que cambios mínimos en unos cuantos píxeles pueden provocar que un sistema confunda objetos completamente diferentes, lo que representa un importante desafío para aplicaciones críticas como la conducción automatizada o los sistemas de seguridad.
Otro fenómeno que ha despertado gran interés entre los investigadores es el llamado grokking. En algunos casos, durante el entrenamiento de una red neuronal, el modelo parece estancarse durante miles de iteraciones sin mostrar mejoras significativas. Sin embargo, tras continuar el proceso de entrenamiento, puede experimentar una mejora repentina y alcanzar un rendimiento muy superior sin que se haya modificado su arquitectura o su código, un comportamiento que aún continúa siendo objeto de investigación.
El impacto del aprendizaje profundo también se extiende a la biología. Arquitecturas basadas en transformadores y otros modelos avanzados han permitido predecir la estructura tridimensional de más de 200 millones de proteínas, acelerando enormemente una tarea que tradicionalmente podía requerir años de investigación para cada proteína. Este avance está impulsando el desarrollo de nuevos medicamentos y una mejor comprensión de numerosas enfermedades.
El aprendizaje profundo también ha dado lugar a usos controvertidos. Los modelos actuales pueden clonar con gran realismo la voz de una persona utilizando apenas unos pocos segundos de grabación, una capacidad que ha sido aprovechada para cometer fraudes mediante llamadas telefónicas en las que los delincuentes suplantan la identidad de familiares, directivos de empresas u otras personas de confianza.
El entrenamiento de los modelos más grandes exige una capacidad de cómputo extraordinaria. Los centros de datos especializados utilizan decenas de miles de procesadores gráficos (GPU) trabajando de forma simultánea para realizar billones de operaciones por segundo. Todo este procesamiento genera enormes cantidades de calor, por lo que muchas instalaciones incorporan sofisticados sistemas de refrigeración y, en algunos casos, se construyen en regiones de clima frío para reducir el consumo energético destinado al enfriamiento.
A pesar de todos estos avances, uno de los mayores desafíos del aprendizaje profundo sigue siendo el sesgo algorítmico. Como los modelos se entrenan con enormes conjuntos de datos procedentes de diversas fuentes, pueden aprender y reproducir prejuicios, estereotipos o información incorrecta presentes en esos datos. Por ello, investigadores de todo el mundo trabajan en el desarrollo de técnicas que permitan construir sistemas más transparentes, justos y confiables.
El aprendizaje profundo es una herramienta que amplía nuestras capacidades para analizar información y resolver problemas de gran complejidad. Los modelos más avanzados han pasado de contar con unos pocos millones o miles de millones de parámetros a incorporar cientos de miles de millones e incluso, en algunas arquitecturas especializadas, más de un billón (10¹²) de parámetros. Este enorme incremento en su tamaño les permite aprender patrones cada vez más complejos y realizar tareas que hace pocos años parecían inalcanzables. Esta tecnología está impulsando avances en prácticamente todos los sectores de la sociedad. Lo más sorprendente es que todo indica que apenas estamos comenzando a descubrir el alcance de sus posibilidades.
Referencias:
- Neural network (machine learning) – Wikipedia
- Explained: Neural networks | MIT News | Massachusetts Institute of Technology
- What Is a Neural Network? | IBM
- AI vs. Machine Learning vs. Deep Learning vs. Neural Networks | IBM
- Deep Learning vs Machine Learning: Key Differences
- Deep learning: Historical overview from inception to actualization, models, applications and future trends – ScienceDirect
- What is Deep Learning? A Tutorial for Beginners | DataCamp
- ¿Qué es el aprendizaje profundo? – Explicación de la IA de aprendizaje profundo – AWS