Divya Sheel ABB Corporate Research Center Bangalore, India. divya.sheel@in.abb.com
El deep learning es una forma de aprender automáticamente, a partir de datos, capas sucesivas de representaciones cada vez más significativas. Estas representaciones pueden utilizarse para detectar un patrón o para clasificarlos datos. Por ejemplo, →1 muestra unas pocas de las muchas imágenes de las capas individuales que aprenden representaciones de datos cada vez más refinadas. En la capa 3, pueden aprenderse características reconocibles, como un rostro. Para desarrollar estas representaciones se pueden utilizar decenas o cientos de estas capas sucesivas.
Las sucesivas capas de representaciones se aprenden mediante redes neuronales, un tipo de modelo de aprendizaje automático. Tradicionalmente, las redes neuronales aprendían solo unas cuantas capas de representaciones debido a datos inadecuados de entrenamiento o a la falta de potencia de cálculo. Pero esta situación se ha invertido y es más fácil aprender más capas. Más capas sucesivas implican mayor profundidad de la red. De ahí el término "deep learning", o aprendizaje profundo.
En la mayoría de los métodos tradicionales de aprendizaje automático, los datos en bruto no se procesan automáticamente. El procesamiento requiere un conocimiento considerable del dominio para crear a mano ciertas características. Pero el deep learning toma los datos en bruto como insumo y encuentra automáticamente las representaciones necesarias para detectar o clasificar patrones. Esta capacidad para aprender características hace que los métodos de deep learning sean muy útiles en varias situaciones generalizadas.
El reto sigue siendo encontrar la estructura de red neuronal adecuada e identificar las variables que determinan el rendimiento del entrenamiento de la red. Además, no es fácil conocer qué características aprenden los modelos de deep learning. Además, como todos los modelos de aprendizaje automático, los de deep learning también son vulnerables a insumos cuidadosamente elaborados que pueden conducir a inferencias erróneas. Esto ocupa ahora el centro de la investigación del deep learning.
Recientemente, el deep learning ha tenido un enorme éxito en la realización de tareas de reconocimiento de imágenes y voz →2. El impacto potencial del deep learning no puede subestimarse, ya que afectará a muchas industrias y producirá cambios muy visibles en la sociedad.
