| El aprendizaje automático es uno de los campos de estudio de la Inteligencia artificial que investiga cómo las máquinas pueden mejorar su operatividad gracias al entrenamiento y al aprendizaje. En este proceso la máquina analiza los datos de los que dispone y genera modelos e hipótesis para resolver diferentes problemáticas. El aprendizaje automático se fundamenta por tanto en la idea de que las máquinas pueden identificar patrones y mejorar su desempeño con el tiempo. |
¿Cómo se aplica actualmente el aprendizaje profundo?
Cada vez son más las funcionalidades de este campo de estudio, como, por ejemplo; la traducción automática contextualizada, clasificación y generación de textos, imágenes, vídeos, sugerencias personalizadas, etc.
Las técnicas que utilizan las máquinas para aprender a generar dichas hipótesis se materializan en complejas estructuras matemáticas con fuertes conexiones (Russell & Norwig 2020). Es habitual comparar estas estructuras con la arquitectura del sistema nervioso del ser humano, donde se crean conexiones entre las neuronas a través de la sinapsis.
Para que se produzca el aprendizaje, la máquina se necesita el entrenamiento de su red artificial. Es aquí donde se enmarca el concepto ‘Deep learning’ o aprendizaje profundo que hace referencia al modelo de aprendizaje complejo que utiliza estructuras ‘neuronales’ con mayor número de capas y que analiza un mayor número de datos que las AI más sencillas.
Las redes neuronales profundas (Deep artificial neural networks) de las que aprende la máquina, son analizadas por ingenieros y científicos computacionales que las adaptan a contextos reales, para hacer que los resultados obtenidos de la máquina sean útiles y aplicables.
El entrenamiento y uso de estos sistemas está aún en desarrollo y el trabajo en Deep Learning está asociado actualmente a algunos riesgos relacionados con el uso de la información.
Por ejemplo, si las redes neuronales artificiales tienen que acceder a grandes bases de datos para enriquecer su conocimiento, aquellas empresas desarrolladoras que cuenten con mayores recursos para acceder a esos datos tendrán ventaja sobre el resto. Existe por tanto una brecha entre los que tienen acceso a la información y aquellos que no. Además, desde un punto de vista ético, si tenemos en cuenta el sesgo en los datos a los que exponemos a la máquina (consciente o inconscientemente), es muy probable que el ‘algoritmo’ resultante que resuelve los problemas tome decisiones de manera discriminatoria.
En este esquema propuesto por Lagares et al. (2022) vemos que cualquier dato está expuesto a cierto sesgo en el sistema de interpretación neuronal:
Tipos de aprendizaje profundo:
Según el tipo de algoritmo de la red neuronal utilizada, se pueden clasificar los tipos de aprendizaje profundo. Los más comunes son:
Síguenos en:
