El aprendizaje profundo es un subconjunto particular de aprendizaje automático (la mecánica de la inteligencia artificial). Si bien esta rama de la programación puede volverse muy compleja, comenzó con una pregunta muy simple: "Si queremos que un sistema informático actúe de manera inteligente, ¿por qué no lo modelamos según el cerebro humano?"
Ese pensamiento generó muchos esfuerzos en las últimas décadas para crear algoritmos que imitaran la forma en que funcionaba el cerebro humano y que pudieran resolver problemas como lo hacían los humanos. Esos esfuerzos han producido herramientas de análisis valiosas y cada vez más competentes que se utilizan en muchos campos diferentes.
Vídeos recomendados
La red neuronal y cómo se utiliza
![Gráfico de redes neuronales](/f/c442186a7d620b27943c3d0545dc41a2.jpg)
Aprendizaje profundo Recibe su nombre de cómo se utiliza para analizar datos "no estructurados", o datos que no han sido etiquetados previamente por otra fuente y pueden necesitar una definición. Eso requiere un análisis cuidadoso de cuáles son los datos y pruebas repetidas de esos datos para llegar a una conclusión final utilizable. Las computadoras tradicionalmente no son buenas para analizar datos no estructurados como este.
Relacionado
- AI. Una herramienta de traducción arroja luz sobre el lenguaje secreto de los ratones.
- Una nueva investigación 'turbia' del MIT utiliza sombras para ver lo que las cámaras no pueden ver
- La inteligencia artificial ya puede identificar un pájaro con sólo mirar una foto
Piénselo en términos de escritura: si diez personas escribieran la misma palabra, esa palabra se vería muy diferente para cada persona, de descuidada a ordenada y de cursiva a impresa. El cerebro humano no tiene problemas para comprender que es la misma palabra, porque sabe cómo funcionan las palabras, la escritura, el papel, la tinta y las peculiaridades personales. Sin embargo, un sistema informático normal no tendría forma de saber que esas palabras son iguales, porque todas tienen un aspecto muy diferente.
Eso nos lleva a vía Redes neuronales, los algoritmos creados específicamente para imitar la forma en que interactúan las neuronas del cerebro. Las redes neuronales intentan analizar datos de la misma manera que lo hace una mente: su objetivo es lidiar con datos confusos (como la escritura) y sacar conclusiones útiles, como las palabras que la escritura intenta mostrar. Es más fácil de entender. Redes neuronales si los dividimos en tres partes importantes:
La capa de entrada: En la capa de entrada, la red neuronal absorbe todos los datos no clasificados que se le proporcionan. Esto significa descomponer la información en números y convertirlos en fragmentos de datos de sí o no, o “neuronas”. Si quisieras enseñarle a una red neuronal a reconocer palabras, entonces la capa de entrada sería matemáticamente definir la forma de cada letra, descomponerla en lenguaje digital para que la red pueda comenzar laboral. La capa de entrada puede ser bastante simple o increíblemente compleja, dependiendo de lo fácil que sea representar algo matemáticamente.
![Red neuronal compleja](/f/3237c280b6170115a2f9aba259324a75.jpg)
Las capas ocultas: En el centro de la red neuronal hay capas ocultas, desde una hasta muchas. Estas capas están formadas por sus propias neuronas digitales, que están diseñadas para activarse o no en función de la capa de neuronas que las precede. Una sola neurona es un básico "si esto, entonces aquello"“ modelo, pero las capas están hechas de largas cadenas de neuronas, y muchas capas diferentes pueden influirse entre sí, creando resultados muy complejos. El objetivo es permitir que la red neuronal reconozca muchas características diferentes y las combine en una sola realización, como un niño. aprender a reconocer cada letra y luego formarlas juntas para reconocer una palabra completa, incluso si esa palabra está escrita un poco descuidado.
Las capas ocultas también son el lugar donde se lleva a cabo gran parte de la capacitación en aprendizaje profundo. Por ejemplo, si el algoritmo no logra reconocer con precisión una palabra, los programadores responden: "Lo siento, eso no es correcto”, y el algoritmo ajustaría la forma en que pesaba los datos hasta encontrar el correcto. respuestas. Repetir este proceso (los programadores también pueden ajustar los pesos manualmente) permite que la red neuronal construya capas ocultas sólidas que son experto en buscar las respuestas correctas a través de mucho ensayo y error, además de algunas instrucciones externas (nuevamente, de manera muy similar a cómo funciona el cerebro humano). obras. Como muestra la imagen de arriba, ¡las capas ocultas pueden volverse muy complejas!
La capa de salida: La capa de salida tiene relativamente pocas "neuronas" porque es donde se toman las decisiones finales. Aquí la red neuronal aplica el análisis final, establece definiciones para los datos y extrae conclusiones programadas basadas en esas definiciones. Por ejemplo, "Se alinean suficientes datos para decir que esta palabra es lago, no carril.” En última instancia, todos los datos que pasan a través de la red se reducen a neuronas específicas en la capa de salida. Dado que aquí es donde se logran los objetivos, suele ser una de las primeras partes de la red que se crea.
Aplicaciones
![Ejército de escaneo ocular](/f/731ea6e61c932b07024cf3a5f63599c4.jpg)
Si utiliza tecnología moderna, es muy probable que los algoritmos de aprendizaje profundo estén funcionando a su alrededor, todos los días. Cómo crees que alexa o Asistente de Google ¿Entiendes tus comandos de voz? Utilizan redes neuronales que han sido construidas para comprender el habla. ¿Cómo sabe Google lo que estás buscando antes de que termines de escribir? Más aprendizaje profundo en el trabajo. ¿Cómo puede su cámara de seguridad ignorar a las mascotas pero reconocer el movimiento humano? Aprendizaje profundo una vez más.
Cada vez que el software reconoce entradas humanas, desde reconocimiento facial Para los asistentes de voz, el aprendizaje profundo probablemente esté funcionando en algún lugar subyacente. Sin embargo, este campo también tiene muchas otras aplicaciones útiles. La medicina es un campo particularmente prometedor, donde se utiliza el aprendizaje profundo avanzado para analizar el ADN en busca de defectos o compuestos moleculares para posibles beneficios para la salud. En un frente más físico, el aprendizaje profundo se utiliza en un número cada vez mayor de máquinas y vehículos para predecir cuándo el equipo necesita mantenimiento antes de que algo salga gravemente mal.
El futuro del aprendizaje profundo
![Historia del nombre de la IA](/f/ffbcd757d04b3cb3ee30538e7487bf6d.jpg)
¡El futuro del aprendizaje profundo es particularmente brillante! Lo mejor de una red neuronal es que destaca a la hora de manejar una gran cantidad de datos dispares (pensemos en todo lo que nuestro cerebro tiene que afrontar todo el tiempo). Esto es especialmente relevante en nuestra era de sensores inteligentes avanzados, que pueden recopilar una cantidad increíble de información. Las soluciones informáticas tradicionales están empezando a tener dificultades para clasificar, etiquetar y sacar conclusiones de tanta información.
El aprendizaje profundo, por otro lado, puede hacer frente a las montañas digitales de datos que estamos recopilando. De hecho, cuanto mayor es la cantidad de datos, más eficiente se vuelve el aprendizaje profundo en comparación con otros métodos de análisis. Esta es la razón por la que organizaciones como Google invertir tanto en algoritmos de aprendizaje profundoy por qué es probable que se vuelvan más comunes en el futuro.
Y, por supuesto, los robots. Nunca nos olvidemos de los robots.
Recomendaciones de los editores
- IA de aprendizaje profundo está ayudando a los arqueólogos a traducir tablillas antiguas
- Aprendizaje profundo A.I. Puede imitar los efectos de distorsión de los dioses icónicos de la guitarra.
- I.A. que lee la mente analiza tus ondas cerebrales para adivinar qué vídeo estás viendo
- Esta aplicación basada en inteligencia artificial puede detectar el cáncer de piel con una precisión del 95 por ciento
- AI. Investigadores crean un sistema de reconocimiento facial para chimpancés