(Nota: Tarea 5 de la asignatura Introducción a la Inteligencia Artificial)
Introducción. Definición y aplicaciones
El aprendizaje profundo, también llamado Deep Learning, es una evolución o rama del aprendizaje automático que utiliza neuronas artificiales (perceptrón) para que las máquinas aprendan por sí mismas, pudiendo utilizar varias neuronas para formar una red neuronal artificial más compleja (estructura de algoritmos por niveles o capas) imitando al cerebro humano, un nivel más sofisticado de IA.
Para resumir y simplificar su funcionamiento diremos que a través de varios conjuntos de ejemplos ofrecidos al sistema, éste aprende, utilizando para ello también los errores.
Sin duda, se trata de una revolución que está transformando la manera en que se realizan ciertas tareas, siendo sus aplicaciones más relevantes las siguientes:
Atención médica: se están utilizando modelos de aprendizaje profundo para analizar, resonancias, rayos X, etc., para determinar el diagnóstico correcto. También se está utilizando para descifrar patrones genéticos complejos, de forma que puede contribuir al desarrollo de una medicina personalizada, aunque quizás esto pueda albergar ciertas críticas, si por ejemplo, solo se va a utilizar en el sector de la medicina privada.
Conducción automática de vehículos
Reconocimiento de voz
Procesamiento de imagen
Inspeccionar maquinaria en busca de errores, etc.,
Críticas
Calidad y seguridad de los datos
El aprendizaje profundo requiere de mucho entrenamiento ya que sino, el modelo puede no ser completamente efectivo. Este entrenamiento lo proporcionan los datos y es tal la cantidad de datos que requieren los algoritmos que hay que cuidar que sean de buena calidad, porque sino pueden proporcionar resultados negativos. Así, estos sistemas podrían aprender mediante datos sesgados y continuar con dichas inexactitudes, lo que puede ocasionar injusticias y discriminaciones.
La solución es proporcionar no solo gran cantidad de datos sino también variados, además de considerar la privacidad de los mismos, garantizando su uso dentro de la legalidad y la ética e instaurando fuertes protocolos de seguridad.
Superficialidad y pocas oportunidades de transferencia
Los sistemas actuales no comprenden realmente los conceptos y su entrenamiento se ha enfocado para situaciones determinadas, de tal forma que cuando se ofrecen diferentes escenarios, las soluciones proporcionadas son superficiales.
Falta de abstracción
Los sistemas de aprendizaje profundo presentan problemas frente a un texto en el que la solución no aparece de forma explícita porque no pueden abstraer o inferir ideas o intenciones como el ser humano.
Recursos y consumo de energía
Estos modelos de aprendizaje necesitan muchos recursos ya que requieren una potencia computacional elevada, que se traduce en elevados costes y elevado consumo de energía.
Interpretación correcta
Entender los sistemas de aprendizaje profundo más complejos, cómo y por qué han tomado ciertas decisiones, es clave en aplicaciones como las comentadas anteriormente de la atención médica o la conducción autónoma. De hecho, ya se están desarrollando técnicas para explicar a los humanos los procesos de toma de decisiones que aplican estos modelos.
Falta de adaptabilidad
Algo común a todos los sistemas de aprendizaje y una de las grandes limitaciones de la IA es la falta de adaptabilidad. Como en el ejemplo que aparece en el temario, del juego go en el que el tamaño del tablero puede variar.
 |
| Fuente: Revolución del aprendizaje profundo |