Deep Learning vs Machine Learning: una forma sencilla de entender la diferencia

Share with:


Comprender los últimos avances en Inteligencia Artificial (IA) puede parecer abrumador, pero si estás aprendiendo los conceptos básicos que te interesan, puedes reducir muchas innovaciones de IA a dos conceptos:  Machine Learning  y  Deep Learning. Estos términos a menudo parecen ser palabras similares muy de moda, por lo tanto, es muy importante que te mostremos las diferencias.

Los ejemplos de Machine Learning y Deep Learning están en todas partes. Te has preguntado cómo Netflix sabe qué programa querrás ver a continuación, cómo sabe Facebook qué cara está en una foto, qué hace que los coches autónomos sean una realidad y cómo un representante de servicio al cliente sabrá si estas satisfecho con el soporte brindado antes incluso de realizar una encuesta de satisfacción del cliente.

Nos encontramos con las siguientes preguntas, ¿cuáles son estos conceptos que dominan las conversaciones sobre inteligencia artificial y cual es exactamente la diferencia?


Deep Learning vs Machine Learning

La ventaja más fácil para entender la diferencia entre el Machine Learning y el Deep Learning es saber que el Deep Learning es el Machine Learning..

Más específicamente, el Deep Learning se considera una evolución del Machine Learning. Utiliza una red neuronal programable que permite a las máquinas tomar decisiones precisas sin la ayuda de los seres humanos.

Para empezar, primero definamos el Machine Learning.

¿Qué es el Machine Learning?

Una definición basica seria:

“Algoritmos que analizan los datos, aprenden de esos datos y luego aplican lo que han aprendido para tomar decisiones basadas en esa información”

Un ejemplo común de un algoritmo Machine Learning es un servicio de streaming de música bajo demanda. Para que el servicio tome una decisión sobre qué nuevas canciones o artistas recomendar a un oyente, los algoritmos de Machine Learning asocian las preferencias del oyente con otros oyentes que tienen un gusto musical similar. Esta técnica, que a menudo se promociona simplemente como IA, se utiliza en muchos servicios que ofrecen recomendaciones automatizadas.

El Machine Learning impulsa todo tipo de tareas automatizadas las cuales abarcan múltiples industrias, desde empresas de seguridad de datos que buscan malware hasta profesionales de finanzas que requieren alertas para sus operaciones. Los algoritmos de IA están programados para estar constantemente aprendiendo como si fuera un asistente personal virtual.

El Machine Learning implica un gran volumen de matemáticas complejas y codificación. Cuando decimos que algo es capaz de hacer “Machine Learning”, significa que es algo que realiza una función con los datos que se le dan y mejora progresivamente con el tiempo. Es como tener una linterna que se enciende cada vez que dices “está oscuro”, sería una linterna capaz de reconocer diferentes frases que contengan la palabra “oscuro”.

En términos prácticos, el Deep Learning es un subconjunto del Machine Learning. De hecho, el Deep Learning técnicamente es Machine Learning y funciona de manera similar (de ahí por qué los términos a veces se intercambian libremente). Sin embargo, sus capacidades son diferentes.

Si bien los modelos básicos de Machine Learning se vuelven progresivamente mejores en cualquiera que sea su función, todavía necesitan cierta orientación. Si un algoritmo de IA devuelve una predicción inexacta, un ingeniero tiene que intervenir y realizar ajustes. Con un modelo de Deep Learning, un algoritmo puede determinar por sí solo si una predicción es precisa o no a través de su propia red neuronal.

Volvamos al ejemplo de la linterna: podría ser programado para encender cuando reconoce la señal audible de alguien que dice la palabra “oscuro”. A medida que continúa aprendiendo, eventualmente podría encenderse con cualquier frase que contenga esa palabra. Ahora bien, si la linterna tenía un modelo de Deep Learning, podría darse cuenta de que debería encenderse con las señales  “No puedo ver”  o  “el interruptor de luz no funcionará”, tal vez en tándem con un sensor de luz. Un modelo de Deep Learning es capaz de aprender a través de su propio método de computación, una técnica que hace que parezca que tiene su propio cerebro.

¿Cómo funciona el Deep Learning?

Un modelo de Deep Learning está diseñado para analizar continuamente los datos con una estructura lógica similar a cómo un humano sacaría conclusiones. Para lograrlo, las aplicaciones de Deep Learning utilizan una estructura estratificada de algoritmos denominada red neuronal artificial. El diseño de una red neuronal artificial está inspirado en la red neuronal biológica del cerebro humano, lo que conduce a un proceso de aprendizaje mucho más capaz que el de los modelos de Machine Learning estándar.

Es una perspectiva complicada asegurarse de que un modelo de Deep Learning no saque conclusiones incorrectas, al igual que otros ejemplos de IA, requiere mucha capacitación para que los procesos de aprendizaje sean correctos. Pero cuando funciona como está destinado, el Deep Learning funcional a menudo se recibe como una maravilla científica que muchos consideran ser la columna vertebral de la verdadera inteligencia artificial.

Un gran ejemplo de Deep Learning es AlphaGo de Google. Google creó un programa informático con su propia red neuronal que aprendió a jugar el juego de mesa abstracto llamado Go, que es conocido por requerir un intelecto agudo y la intuición. Al jugar contra jugadores profesionales de Go, el modelo de Deep Learning de AlphaGo aprendió a jugar a un nivel nunca antes visto en inteligencia artificial, y lo hizo sin que se le dijera cuándo debería hacer un movimiento específico (como un modelo de Machine Learning estándar requeriría). Cuando AlphaGo derrotó a varios “maestros” del juego de renombre mundial causó un gran revuelo, no sólo podía una máquina captar las complejas técnicas y aspectos abstractos del juego, sino que también se estaba convirtiendo en uno de los mejores jugadores del juego.

Para resumir las diferencias entre los dos:

  • El Machine Learning utiliza algoritmos para analizar datos, aprender de esos datos y tomar decisiones informadas basadas en lo que ha aprendido
  • El Deep Learning estructura algoritmos en capas para crear una “red neuronal artificial” que puede aprender y tomar decisiones inteligentes por sí misma.
  • El Deep Learning es un subcampo del Machine Learning. Mientras que ambos caen dentro de la amplia categoría de inteligencia artificial, el Deep Learning es lo que impulsa la inteligencia artificial más humana

Los datos como el combustible del futuro

Con las enormes cantidades de datos que está produciendo la actual “Era de Big Data”, estamos obligados a ver innovaciones que aún no podemos comprender. Según los expertos, mucho de los futuros logros de la humanidad serán aplicaciones de Deep Learning.

Andrew Ng, el científico jefe del principal motor de búsqueda de China, Baidu y uno de los líderes del Google Brain Project, compartió una gran analogía para el Deep Learning con Wired Magazine: “Creo que la IA es similar a la construcción de un cohete. Necesitas un motor enorme y mucho combustible”, dijo al periodista caleb Garling. “Si tienes un motor grande y una pequeña cantidad de combustible, no llegarás a la órbita. Si tienes un motor diminuto y una tonelada de combustible, ni siquiera puedes despegar. Para construir un cohete se necesita un motor enorme y mucho combustible”.

“La analogía con el Deep Learning es que el motor de cohetes son los modelos de Deep Learning y el combustible es la enorme cantidad de datos que podemos alimentar a estos algoritmos”.

– Andrew Ng

Share with: