El Deep Learning (DL) o aprendizaje profundo, es a su vez un subconjunto del machine learning. El DL permite modelos computacionales, basados en redes neuronales, que están compuestos de múltiples capas de procesamiento para aprender representaciones de datos con múltiples niveles de abstracción. Estos métodos han mejorado drásticamente el estado de la técnica en reconocimiento de voz u objetos visuales, entre muchos otros dominios.
Las redes neuronales utilizadas para el DL suelen requerir grandes conjuntos de datos para el entrenamiento. Afortunadamente, la creación y disponibilidad de datos ha crecido exponencialmente con el Big Data. Muchas bases de datos abiertas han permitido el rápido desarrollo de algoritmos de DL.
Las redes neuronales son sólo una de las maneras que tiene Deep Learning de aprender, pues existen otros métodos como, por ejemplo, las redes de creencia profunda.
Pero los avances del DL se debe en gran medida a la mejora de la capacidad de computación actual. Por ejemplo, las unidades de procesamiento gráfico (GPU) permiten acelerar el proceso de aprendizaje del DL. Las GPU se desarrollaron originalmente para acelerar el juego 3D que requiere el uso repetido de un proceso matemático como un cálculo de la matriz. El aprendizaje de una red neuronal hace un uso extensivo de los cálculos de la matriz.
El uso de DL por parte de los desarrolladores está empezando a ser catalizado por la provisión de infraestructura y servicios de DL basados en la nube (Cloud Computing) por proveedores líderes de la industria de este sector como son Google, Amazon, Microsoft o IBM, entre muchos otros. Estas empresas aprovechan la potencia de su nube para ofrecer servicios de AI que varían en función de los algoritmos, datos de entrenamiento, o del hardware subyacente.
Asimismo otro factor claves para el DL ha sido el abundante software open source como Caffe2 de Facebook, TensorFlow de Google o CNTK (Cognitive Toolkit) de Microsoft entre muchos otros. También investigadores del área publican sus resultados en una base de datos como arxiv.org sin esperar la aprobación de la revisión por pares habituales en los congresos de investigación.
Sin duda estamos ante una nueva tecnología disruptiva, nos encontramos frente a una nueva fuente de creación de valor en el área de procesamiento de la información que va a cambiar radicalmente la manera en que vivimos, trabajamos e incluso pensamos.
Recientes avances de técnicas de DL ha transformado nuestra capacidad de reconocer objetos dentro de las imágenes. Por ejemplo, un sistema de visión computarizado basado en DL identificó objetos en imágenes con mayor eficacia que los humanos. El progreso en el reconocimiento del habla y la escritura a mano, mientras tanto, está mejorando rápidamente después de la utilización de un nuevo tipo de DL.
ANTECEDENTES
STARTUP DE IA
"Aplicaciones de la Inteligencia Artifical hay muchas, desde la detección de fraudes, forecasting de ventas, etcétera, son muchas. De hecho, la IA es un área donde hay más inversión de capital semilla; en el 2016 subió a 5,000 millones de dólares la inversión en startups de IA, y a eso hay que sumar lo que los grandes corporativos están invirtiendo”, señala Max Tremp, director de ingeniería de Cisco para Latinoamérica.
la analítica se puede conjugar con el aprendizaje de máquina -que es parte de la IA- para lograr lo que Gartner denomina analítica predictiva.
Retos de Deep Learning
. Algortimos: lograr una inteligencia artificial que pueda aprender por sí sola, y, por tanto, esté basada en modelos de aprendizaje no supervisado.
. Big Data: Deep Learning necesita una cantidad ingente de datos para que sus predicciones alcancen la perfección. Aquí es donde las grandes arquitecturas de Big Data nos pueden ayudar.
. Lenguaje Natural: se espera que Deep Learning sea cada vez más capaz de procesar el lenguaje natural o incluso llegar a imitar nuestros sentidos o emociones con éxito.
No hay comentarios:
Publicar un comentario