Mucha gente usa los términos "aprendizaje profundo" e "inteligencia artificial" indistintamente cuando se habla de aprendizaje automático. Sin embargo, esto es solo parcialmente exacto. ¿Hay alguna conexión entre estas dos nociones? ¿Qué los distingue? ¿Cómo puede saber cuál elegir para su situación comercial particular?
El aprendizaje profundo es en realidad un tipo de aprendizaje automático más sofisticado y refinado.
El aprendizaje automático, del cual el aprendizaje profundo es un subconjunto, funciona de la misma manera. Sin embargo, sus capacidades y los casos comerciales en los que se utiliza son algo diferentes. Ahora echemos un vistazo más de cerca a estas dos ideas.
¿QUÉ ES EL APRENDIZAJE AUTOMÁTICO Y CUÁNDO SE UTILIZA?
En otras palabras, el aprendizaje automático es la rama de la informática que estudia cómo las computadoras pueden aprender de sus experiencias sin recibir instrucciones explícitas. Se utiliza en situaciones en las que un algoritmo tradicional sería poco práctico o imposible de implementar. La segmentación del mercado, la predicción de fallas en los equipos, el filtrado de correo electrónico, los vehículos sin conductor y otros usos de los algoritmos de aprendizaje automático son solo algunos ejemplos de los muchos usos de estos algoritmos. Se puede optimizar y automatizar una gran cantidad de procesos en prácticamente cualquier departamento utilizando técnicas de aprendizaje automático.
¿CÓMO FUNCIONA EL APRENDIZAJE AUTOMÁTICO?
Usando conjuntos de datos preexistentes, los científicos de datos crean modelos de aprendizaje automático, prueban los modelos y luego los refinan antes de usarlos en entornos del mundo real. Al entrenar un modelo, cuantos más datos le proporcione, mejor y más preciso será.
Como proceso en segundo plano, el modelo se ejecuta y entrega resultados basados en la capacitación recibida. Los científicos de datos pueden volver a entrenar los modelos con la frecuencia que sea necesaria para mantenerlos actualizados y mejorar los resultados. Es por eso que los modelos de aprendizaje automático siguen mejorando en su trabajo. En el caso de Mercanto, por ejemplo, los modelos de aprendizaje automático se vuelven a entrenar todos los días.
Los modelos se dividen en tres tipos principales según la forma en que se enseñan.
Cuando un modelo se entrena en un conjunto de datos etiquetados bajo la guía de un observador humano.
Un ejemplo sería predecir si un consumidor haría clic en un anuncio en función de su información demográfica (edad, sexo, intereses, etc.).
Se denomina "aprendizaje no supervisado" cuando el modelo se entrena sobre datos que no han sido clasificados ni etiquetados. La segmentación del mercado es un buen ejemplo. El aprendizaje por ensayo y error con retroalimentación de las mismas experiencias que el modelo se conoce como aprendizaje por refuerzo, una forma de enfoque de aprendizaje automático. Por ejemplo, para ganar un juego necesitas encontrar la mejor secuencia posible de acciones para obtener el resultado deseado. Los autos y juegos sin conductor son buenos ejemplos.
¿EN QUÉ SE DIFERENCIA EL APRENDIZAJE PROFUNDO DEL APRENDIZAJE AUTOMÁTICO CONVENCIONAL?
Hay una distinción importante entre ML y aprendizaje profundo en el sentido de que, aunque los modelos de ML pueden generar inferencias sin ser entrenados explícitamente y mejorar sus resultados con el tiempo, aún necesitan intervención humana y modificaciones para alcanzar su máximo potencial. . El aprendizaje profundo, por otro lado, utiliza redes neuronales.
Por ejemplo, un modelo de aprendizaje profundo puede usar su red neuronal para evaluar si las predicciones o los resultados son ciertos o no, y de ser así, puede modificar los parámetros por sí mismo si es necesario para mejorar los resultados de sus predicciones y resultados.
Sin embargo, la desventaja es que son más difíciles de entender y explicar que los modelos tradicionales de aprendizaje automático.
Además, los modelos de Deep Learning ayudan a completar incluso los trabajos más difíciles y brindan nueva información a partir de un flujo continuo de datos no estructurados (video, texto, datos de sensores, imágenes, etc.).
Los modelos y redes neuronales se utilizan para vehículos autónomos, reconocimiento de voz, identificación de imágenes, procesamiento de lenguaje natural, medicina de precisión y muchas otras aplicaciones de aprendizaje profundo.
Muchas grandes empresas utilizan el aprendizaje profundo en una amplia variedad de industrias, que incluyen:
por su algoritmo de recomendación de última generación, Netflix
JP Morgan Chase: para la identificación del tráfico de información privilegiada y el cumplimiento de las normas legales
Pinterest es una gran herramienta para encontrar cosas, colores y patrones estéticamente comparables.
Baker Hughes: para el modelado sísmico, la automatización de la planificación de pozos, la anticipación de fallas de equipos, la gestión de la cadena de suministro y muchas otras aplicaciones.
Con Via, puede usar el aprendizaje profundo para encontrar las mejores rutas para compartir el automóvil.
Incluso en los problemas de salud más difíciles, se aplica el aprendizaje profundo. Se está utilizando ampliamente en un esfuerzo por controlar la propagación de la pandemia de Cobid-19. Se han realizado varios estudios sobre cómo se puede usar el aprendizaje profundo para predecir proteínas vinculadas al SARS-CoV-2, que produce, por ejemplo, COVID-19.
¿CUÁNDO NECESITA SU EMPRESA UTILIZAR EL APRENDIZAJE PROFUNDO?
Si bien Deep Learning se considera un tipo de aprendizaje automático más sofisticado, no es adecuado para todas las situaciones comerciales.
Los modelos de aprendizaje profundo primero deben entrenarse en grandes volúmenes de datos, como terabytes y petabytes, para garantizar su eficacia. Por esta razón, las empresas de los sectores de la banca, el comercio electrónico, las telecomunicaciones, las redes sociales, el petróleo y el gas y el servicio al cliente, así como otras que se enfrentan a una afluencia constante de grandes cantidades de datos, deberían considerar el uso del aprendizaje profundo.
Los modelos de aprendizaje profundo producirán resultados extremadamente erróneos y, a veces, ridículos si no tiene acceso a conjuntos de datos extremadamente grandes para el entrenamiento. Además, cuantos más datos procese cada día un modelo de aprendizaje profundo entrenado, obtendrá resultados más sofisticados y un rendimiento mejorado con el tiempo. Aquí hay un ejemplo para ayudar a aclarar el punto:
Si bien los modelos de aprendizaje profundo no requieren mucha potencia informática para ofrecer resultados, lo hacen mientras se entrenan los modelos. Este desafío se puede resolver a un costo menor utilizando Cloud TPU (The Tensor Processing Unit), un servicio proporcionado por Google con un precio por hora para cargas de trabajo de aprendizaje profundo. Muchas de las aplicaciones más populares de Google, incluidos Traductor, Fotos, Asistente de búsqueda y Gmail, funcionan con la TPU. Dado que cuesta menos de una quinta parte del costo de una CPU sin TPU, es una gran ventaja.
¿QUÉ NECESITA PARA UN PROYECTO EFECTIVO DE APRENDIZAJE MÁQUINO / APRENDIZAJE PROFUNDO?
Un propósito bien definido. Antes de comenzar a recopilar datos, debe tener al menos una idea básica de lo que desea lograr utilizando la IA y el aprendizaje automático. Los científicos de datos lo ayudarán en las primeras etapas del proyecto para transformar este concepto en KPI concretos.
- Creación de un sistema robusto de aprendizaje automático. Este trabajo requiere la experiencia de un arquitecto de software experimentado.
- Los ecosistemas de ingeniería de big data (basados en Apache Hadoop o Spark) son esenciales si su empresa procesa grandes volúmenes de datos. Hay varias fuentes de datos en silos que se pueden recopilar, integrar, almacenar y procesar utilizando esta plataforma tecnológica. El ecosistema está construido por un arquitecto de big data e ingenieros de big data.
- Invocar operaciones ETL en el nuevo ecosistema (extracción, transformación y carga). Esto lo hace un arquitecto de big data o un experto en aprendizaje automático.
- El último paso del proceso de preparación de datos se ha completado. Además, los científicos de datos pueden necesitar mejorar aún más los datos para satisfacer las necesidades de un caso comercial determinado.
- Se utilizan algoritmos, se crean modelos y se utilizan nuevos datos para ajustar y volver a entrenar los modelos. Estas tareas son realizadas por científicos de datos e ingenieros de aprendizaje automático. TensorFlow, PyTorch, Keras y Caffe son solo algunas de las tecnologías de aprendizaje profundo conocidas. TensorFlow es un marco excelente para el aprendizaje profundo.
- Las ideas se pueden ver claramente. La culpa es de los especialistas en inteligencia de negocios. Para crear paneles con una interfaz de usuario intuitiva, es posible que también necesite desarrolladores front-end.
Videoguía
'">Preguntas frecuentes
¿Es el aprendizaje automático mejor que el aprendizaje profundo?
El tercer factor es la cantidad de tiempo que lleva. Aunque los sistemas de aprendizaje automático se pueden configurar y ejecutar rápidamente, el poder de sus resultados puede ser limitado. La creación de sistemas de aprendizaje profundo requiere más esfuerzo, pero pueden ofrecer resultados al instante (aunque es probable que la calidad mejore con el tiempo a medida que haya más datos disponibles).
¿Por qué el aprendizaje profundo es más poderoso que el aprendizaje automático?
A medida que crece la cantidad de datos, el aprendizaje profundo supera al aprendizaje automático clásico en términos de rendimiento. Los algoritmos de aprendizaje profundo no funcionan bien cuando los datos son escasos. Los algoritmos de aprendizaje profundo requieren una gran cantidad de datos para que estos algoritmos conozcan un tema en detalle.
¿Es difícil el aprendizaje profundo?
Debido a su alcance limitado y dificultad de uso, este conjunto de herramientas no se recomienda como una inversión a largo plazo debido a su bajo retorno del tiempo invertido. Las personas que aspiran a convertirse en científicos de datos ya están desconcertadas por el estrés de tener que dominar cosas que nunca usarán.
¿Cuál es el inconveniente del aprendizaje profundo?
Para funcionar mejor que otros enfoques, requiere una gran cantidad de datos y es increíblemente costoso de entrenar debido a los sofisticados modelos de datos. El aprendizaje profundo también requiere una gran cantidad de GPU costosas y una gran cantidad de computadoras. Por esta razón, los consumidores pagarán más.
¿Ha sido útil? postLa entrada Aprendizaje profundo versus aprendizaje automático: ¿cuál es mejor? se publicó primero en Recuperar Correo.