Inicio Facebook

Deep learning en la vida real

Deep learning busca modelar abstracciones de alto nivel, por ejemplo la información del internet, que en su mayoría está creada para ser consumida por seres humanos, no para ser procesada por computadores. Por ejemplo, fotos, videos, tweets, emails, documentos, etc. Según IBM, se generan 2.5 trillones de bytes en datos diarios. Con tanta información, ¿cómo puede un negocio aprovechar todo ese contenido "oculto" a sus sistemas y aplicaciones?

Según Aaron Chavez, ex-Chief Scientist en AlchemyAPI "la idea general de deep learning es usar redes neuronales para crear múltiples capas de abstracción para solventar un problema semántico complejo".

Se podría entonces definir como el área de la computación que mejora los procesos de computer vision y procesamiento de lenguaje para solventar problemas de datos no estructurados.

¿Dónde podemos encontrar Deep Learning actualmente?

  • Motores de recomendación (Netflix, Amazon, Facebook, Google)
  • Asistentes de voz (Siri, Google Now, Cortana)
  • Reconocimiento de imágenes (Google, IBM, Facebook)
  • Tagging de imágenes o búsqueda de imágenes (Google)
  • Advertising (Google, IBM, Baidu)
  • Reconocimiento de patrones (Prevención de fraude, tratamientos médicos)

Siendo un poco más técnicos:

"Por detrás" deep learning se logra a través de redes neuronales, una forma de lograr máquina de aprendizaje. De esa forma se puede concluir que Deep learning es una rama de máquinas de aprendizaje.

Machine Learning o máquina de aprendizaje, definitivamente es un tema mucho más amplio y complejo, pero ¿qué buscamos con las máquinas de aprendizaje?
Existen ocasiones en que definir una lista de heurísticas no es suficiente o se vuelve muy complejo para poder resolver un problema. Es decir, a través de reglas o supuestos programados.

¿Qué tipos de problemas pueden tener esas características? Entender audio, reconocer objetos en imágenes, entender conceptos, entender escrituras, etc. Siendo así, en lugar de crear un sistema que haga todo eso de una sola vez, es una mejor idea crear un algoritmo que pueda navegar y extraer información de miles de ejemplos ya clasificados, pudiendo así utilizar toda esa experiencia obtenida para resolver nuevos problemas.

Por ejemplo, si le enseñamos a un algoritmo a distinguir entre un lápiz y un lapicero a través de ejemplos, el podría distinguir este objeto desde una imagen nueva que no haya analizado previamente.

Deep learning solventa el principal problema del modelo tradicional de Machine Learning, feature extraction. Esta compleja característica es el proceso de decirle al modelo que buscar, extrayendo información que le ayude a tomar decisiones a futuro.

En teoría es el mismo proceso que cuando enseñamos a nuestros niños a diferenciar objetos, sonidos y contextos, permitiéndoles enfrentarse a nuevos retos.

El Deep Learning definitivamente no solo se encuentra en laboratorios, actualmente rige en muchas formas como la computación evoluciona en nuestro entorno.

Walter Montes

Read more posts by this author.

San José, Costa Rica

Please Donate To Bitcoin Address: [[address]]

Donation of [[value]] BTC Received. Thank You.
[[error]]