'Deep learning' y 'machine learning': en qué se diferencian los dos grandes cerebros de la era digital

La inteligencia artificial está presente en diversos ámbitos, como en sistemas de 'chatbots' para mejorar la atención a clientes, en estrategias de ciberseguridad o en la cadena de producción de diferentes negocios. Tras las bambalinas de esta tecnología se encuentran dos campos clave en su desarrollo: el 'deep learning' (aprendizaje profundo) y 'machine learning' (aprendizaje automático), que presentan algunas diferencias fundamentales.

"Es importante resaltar que el 'deep learning’  (DL) es un subcampo dentro del 'machine learning' (ML), así que cuando hablamos de DL, nos referimos a un tipo de ML más especializado, cuya arquitectura se basa en redes neuronales más complejas", resume Montserrat Sacie, científica de datos en BBVA AI Factory.

Para entender las diferencias entre la inteligencia artificial, el 'machine learning' y el 'deep learning', podrían compararse de manera metafórica con una muñeca rusa (matrioska), según ilustra Daniel González Medina, profesor de Máster en Data Science y Big Data de IEBS. La muñeca más grande representaría a la inteligencia artificial, un amplio campo dedicado a la creación de máquinas con capacidad para imitar las capacidades humanas. Dentro de ella estaría el 'machine learning', una rama centrada en técnicas que permiten a las máquinas aprender a realizar tareas concretas a partir de datos. La muñeca más pequeña sería el 'deep learning', que intenta imitar la forma en la que los humanos piensan y aprenden.

En las profundidades del 'deep learning' y 'machine learning'

Para identificar las diferencias entre 'deep learning' y 'machine learning' es necesario profundizar de manera más concreta en el funcionamiento de estas disciplinas:

• 'Machine learning' (aprendizaje automático). Es un maestro en el reconocimiento de patrones, así como en realizar predicciones y recomendaciones a partir del procesamiento de grandes volúmenes de datos. "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'", pone de ejemplo Zendesk, empresa estadounidense de 'software'.
• 'Deep learning' (aprendizaje profundo). En cambio, este modelo se ha diseñado para analizar los datos y sacar conclusiones similares a las de un ser humano. Para ello, utilizan una estructura de algoritmos por niveles llamada red neuronal artificial.

"Las redes neuronales, que se basan en el modelo del cerebro humano, están formadas por miles o incluso millones de nodos de procesamiento sencillos densamente interconectados y organizadas en capas de nodos", detallan en un artículo del Instituto Tecnológico de Massachusetts (MIT). Por tanto, retomando el ejemplo de la linterna de Zendesk, esta ampliará sus capacidades automáticas: "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".

De esta manera, la principal diferencia entre ambas tecnologías, según Google, es que el 'deep learning' "requiere menos intervención humana". "En esencia, el aprendizaje profundo puede aprender de sus propios errores, mientras que el aprendizaje automático necesita que una persona intervenga", aseguran. Como consecuencia, el 'deep learning' también requiere muchos más datos y potencia de procesamiento. "El aprendizaje automático generalmente se puede realizar con servidores que ejecutan CPU, mientras que el aprendizaje profundo suele requerir chips más sólidos, como las GPU", añaden.

'Deep learning' y 'machine learning': en qué contexto se usa cada uno

Debido a las particularidades del 'deep learning' y 'machine learning', estos se emplean en diferentes tipos de tareas. Montserrat Sacie, de BBVA AI Factory, especifica las operaciones para las cuales cada una de estas disciplinas es más adecuada:

• 'Machine learning'. Es más óptimo para problemas de regresión, como la predicción de saldos en una cuenta a futuro, y clasificación. También en 'clustering' (agrupamiento de datos no etiquetados), como clasificar a clientes en grupos según sus intereses financieros, por ejemplo "solventar deuda", "ahorrar" o "invertir". Otro uso es el de modelar series temporales, como la evolución de precios en acciones, y, en general, algoritmos sencillos basados en la aplicación de reglas matemáticas y estadísticas para el procesamiento de datos. Por ejemplo, las posibilidades del 'machine learning' están siendo empleadas por investigadores para tareas como predecir terremotos.
• 'Deep learning'. En este caso, es más adecuado cuando existen grandes cantidades de datos no estructurados y las relaciones entre estos son más complejas. Así, las redes neuronales complejas o profundas (DNN) se aplican en procesamiento de imágenes, reconocimiento de voz y audio y en procesamiento de lenguaje natural (NLP). Por ejemplo, se utilizan modelos de lenguaje para analizar el 'feedback' por escrito enviados por los clientes para encontrar temas relevantes de los que hablan, así como su nivel de satisfacción. Además, se puede utilizar para acelerar la investigación de materiales tecnológicos como vehículos eléctricos, células solares y microchips, como demostró la herramienta de IA de Google, DeepMind.

Además, según Montserrat Sacie, el 'deep learning' ha experimentado un notable auge en los últimos años debido a la introducción de modelos como GPT, desarrollado por OpenAI, y BERT, creado por Google. Esto ha impulsado tendencias como los modelos 'transformer' (redes neuronales que aprenden por contexto) y de lenguaje de gran escala (LLMs), como GPT-4 y Gemini, que tienen capacidades de inteligencia artificial generativa para crear texto o imágenes en respuesta a comandos específicos.

El aprendizaje profundo representa el comienzo de un futuro hipotético donde, según algunos expertos, la IA podría superar la capacidad del cerebro humano. Este escenario se conoce como superinteligencia artificial y, aunque actualmente es un concepto teórico, subraya que los modelos actuales, por avanzados que parezcan, aún están lejos de alcanzar todo su potencial.