¿Qué es el ‘deep learning’ y cómo beneficia nuestro día a día?

“El ‘deep learning’, o aprendizaje profundo, es un subconjunto del ‘machine learning’ o aprendizaje automático, que es a su vez una rama dentro de la disciplina de IA”, explica Verónica Hernández, científica de datos en BBVA AI Factory. “El ‘deep learning’ se centra en crear algoritmos que pueden aprender a través de redes neuronales profundas”. Las redes neuronales profundas son sistemas inspirados en el funcionamiento del cerebro humano, compuestos por múltiples capas de nodos interconectados que procesan y transforman datos.

A medida que estos algoritmos se exponen a una gran cantidad de ejemplos, ajustan sus conexiones internas para identificar patrones y características complejas de la información proporcionada. Gracias a ellos, pueden realizar tareas diversas. Entre ellas, el reconocimiento de imágenes, procesamiento del lenguaje natural y toma de decisiones automatizadas, sin requerir una programación explícita, lo que los hace versátiles y poderosos en múltiples aplicaciones cotidianas.

Así, aunque el aprendizaje profundo es solo una de las muchas técnicas que existen en el aprendizaje automático, ha cobrado mucha relevancia debido a sus capacidades únicas con respecto a otras técnicas para aprender de manera autónoma a partir de grandes cantidades de datos. “La maravilla de estas redes neuronales radica en su capacidad para aprender por sí mismas”, afirma Daniel González Medina, profesor de Máster en Data Science y Big Data de IEBS. Dada suficiente información, pueden identificar patrones y resolver problemas de forma autónoma. Desde reconocer un rostro en una fotografía hasta descifrar el lenguaje humano, el ‘deep learning’ está revolucionando la forma en que las máquinas comprenden e interactúan con el mundo, explica el experto. Y a menudo, los usuarios lo utilizan sin ser plenamente conscientes de ello, ya que se ha incorporado de manera discreta en numerosas aplicaciones y servicios cotidianos.

Ejemplos de 'deep learning'

Un ejemplo se encuentra en las redes sociales, donde los algoritmos de ‘deep learning’ se aplican para personalizar el contenido mostrado en los muros de publicaciones de los internautas, adaptándose a sus preferencias y acciones previas que han tomado en la web. Las redes neuronales analizan el comportamiento de los usuarios, sus interacciones pasadas, preferencias y datos demográficos para adaptar el contenido que se va a mostrar. Esto permite que las plataformas ofrezcan publicaciones, anuncios y recomendaciones más relevantes y atractivas para cada individuo, lo que mejora la experiencia del usuario y aumenta la participación. Pero no solo se limita a las redes sociales.

“También se aplica en los sistemas de compras, en las rutas por carreteras ‘online’ y en casi todo lo que nos ofrece una recomendación de cualquier tipo, tiene detrás un sistema de ‘deep learning’”, afirma Luis de la Fuente Valentín, profesor del Máster en Análisis y Visualización de Datos Masivos e investigador del grupo ‘Data Driven Science’ de la Universidad Internacional de La Rioja (UNIR).

La tecnología que 'aprende'

El aprendizaje profundo ayuda, de igual forma, a detectar contenido inapropiado, ‘spam’ y actividades sospechosas, manteniendo un ambiente más seguro y confiable en las redes sociales. La tecnología puede aprender a reconocer contenido que viole las políticas y normas de una u otra plataforma, como imágenes violentas, discursos de odio o contenido sexual explícito. También evalúa el contenido nuevo y lo compara con patrones previamente identificados para identificar posibles violaciones y tomar medidas apropiadas, como el bloqueo.

En cuanto al ‘spam’, esta tecnología permite desarrollar modelos que identifican patrones de comportamiento típicos de ciertas cuentas, como la repetición excesiva de mensajes o la participación en acciones masivas. “Estamos utilizando ‘deep learning’ todo el tiempo”, agrega de la Fuente. “Por ejemplo, en la barra de búsquedas de Google. Antes de 2017, para buscar algo en Google era necesario una serie de palabras clave. Si se escribía una frase, el buscador no daba respuestas muy acertadas. Pero ahora, sin embargo, si se pone la frase completa, el resultado es mucho mejor”, destaca el experto de UNIR.

“En el área de la salud financiera, se utilizan redes neuronales para ayudar a los clientes a tomar mejores decisiones para sus finanzas personales”.

“El ‘deep learning’ se ha convertido en una parte esencial de nuestras vidas”, destaca González Medina. Cada vez que interactuamos con el reconocimiento de voz en un teléfono (como Voice Match de Google), cuando LinkedIn, por ejemplo, sugiere etiquetas para una publicación, cuando plataformas como Netflix proponen series basadas en contenido visto previamente, o cuando se crean de forma automática los subtítulos en YouTube. Y no solo eso. “Está cambiando la forma en que operan numerosos sectores de la industria. Desde la agricultura y las energías renovables hasta la banca y los servicios públicos. Esta tecnología se utiliza para analizar grandes volúmenes de datos y descubrir patrones y tendencias emergentes. De esta manera, informa sobre la toma de decisiones y moldea las estrategias de futuro”, destaca el experto del IEBS.

Otros usos del 'deep learning'

El sector bancario utiliza el aprendizaje profundo para detectar fraudes de manera más efectiva, personalizar los productos y servicios según las necesidades individuales de los clientes. De esta manera, se puede mejorar la interacción con los clientes a través de ‘chatbots’ y asistentes virtuales. “En el área de la salud financiera, se utilizan redes neuronales para predecir los futuros saldos del cliente a lo largo del tiempo”, explica Verónica Hernández. “De este modo, el propio cliente puede anticipar movimientos que, por ejemplo, le podrían dejar en descubierto, lo que le ayuda a tomar mejores decisiones para sus finanzas personales”.

Hoy, el aprendizaje profundo también está salvando vidas. Su precisión al identificar tumores en escáneres médicos suele ser más alta que la humana, según destaca Jordi Damià, CEO de la consultora de tecnología Setesca.

Algunos modelos de ‘deep learning’ pueden generar nuevo contenido (imágenes, texto, audio, dato sintético, código..) basado en el aprendizaje de contenido ya existente. Es precisamente lo que hacen las IA generativas, como Midjourney para creación de imágenes o ChatGPT y Bard para texto. En particular, estos modelos de lenguaje basados en ‘deep learning’  aprenden a capturar patrones y estructuras gramaticales y semánticas del lenguaje.

La muñeca matrioska de la inteligencia artificial

El origen del ‘deep learning’ se remonta a la década de 1940 con el desarrollo de las primeras ideas sobre las redes neuronales artificiales. Sin embargo, el término como tal todavía no había sido acuñado. Décadas más tarde se produjo un hito importante al introducirse el algoritmo de propagación hacia atrás (‘backpropagation’). Este permitía ajustar los pesos de las conexiones entre neuronas para mejorar el rendimiento de la red. Fue a inicios de este siglo cuando se popularizó el término con los avances en ‘hardware’ y el crecimiento explosivo de datos disponibles.

Pero antes del ‘deep learning’ se desarrolló el ‘machine learning’, que abarca diferentes técnicas y algoritmos. Para entenderlo, imaginemos que la Inteligencia Artificial, el ‘machine learning’ y el ‘deep learning’ son unas muñecas rusas matrioskas, dice González Medina. La más grande, según el experto, representa a la Inteligencia Artificial, un campo amplio dedicado a la creación de máquinas capaces de imitar las capacidades humanas como aprender, razonar o percibir.

Dentro de ella, se encuentra la siguiente: el ‘machine learning’, una rama centrada en el desarrollo de técnicas que permiten a las máquinas aprender a realizar tareas específicas a partir de datos.

Y en el corazón de todo, está la muñeca más pequeña: el ‘deep learning’. Una técnica específica del ‘machine learning’ que intenta imitar la forma en que los humanos piensan y aprenden. “Es cierto que en muchas conversaciones se colocan ambas en el mismo nivel, pero es importante tener en cuenta esta jerarquía y estas diferencias”.