Empecemos por aclarar un concepto que hoy se presta fácilmente a confusiones. El Aprendizaje Profundo (Aprendizaje Profundo o “AP”) es un tipo de Aprendizaje Automático que entrena una computadora para que adquiera algunas capacidades de los seres humanos, como el reconocimiento del habla, la identificación de imágenes o plantear predicciones.

En lugar de organizar datos para que se ejecute a través de ecuaciones predefinidas, el Aprendizaje Profundo configura parámetros básicos acerca de la información y el sistema para que aprenda por cuenta propia, reconociendo patrones mediante el uso de muchas capas de procesamiento.

Deep Learning es una de las bases de la Inteligencia Artificial (IA) y, de hecho, el interés que hoy despierta -en buena medida- se debe al auge de la IA. Las técnicas de AP han mejorado la capacidad de clasificar, reconocer, detectar y describir –en una palabra, entender.

Por ejemplo, Aprendizaje Profundo se utiliza para clasificar imágenes, reconocer el habla, detectar objetos y describir contenido. Sistemas como Siri y Cortana son potenciados, en parte, por esta innovación. Y cabe señalar que el progreso del AP también se debe a los grandes avances en otros campos tecnológicos:

• Mejoras en los algoritmos han elevado el rendimiento de los métodos de Deep Learning.
• Se han desarrollado nuevas clases de redes neurales que encajan bien en aplicaciones como la traducción de texto y la clasificación de imágenes.
• Tenemos más datos disponibles para construir redes neurales con capas profundas, incluyendo información de transmisión, de Internet de las Cosas (IoT), datos textuales de medios sociales, expedientes médicos y transcripciones de investigaciones.
• Los adelantos en la nube distribuida y en unidades de procesamiento gráfico han puesto a nuestra disposición una cantidad increíble de poder de cómputo. Este nivel de procesamiento es necesario para entrenar a algoritmos de AP.
• Al mismo tiempo, las interfaces de humano a máquina han evolucionado considerablemente. El mouse y el teclado están reemplazándose con gesticulaciones, deslizamientos de los dedos, tacto y lenguaje natural, generando un interés renovado en la IA y el Deep Learning.

Oportunidades y aplicaciones del Deep Learning

Se necesita mucho poder de cómputo para resolver problemas de Deep Learning. Sus algoritmos son de naturaleza iterativa, por lo que su complejidad aumenta conforme crecen el número de capas y los volúmenes de datos que son necesarios para entrenar a las redes.

La naturaleza de los métodos de AP –su capacidad de mejorar y continuamente cambia a el patrón de información implícito– presenta una gran oportunidad para introducir un comportamiento más dinámico a la analítica.

Una mayor personalización de la analítica de clientes es una posibilidad. Otra gran oportunidad es mejorar la precisión y el rendimiento en aplicaciones donde se han utilizado redes neurales por largo tiempo. A través de algoritmos más precisos y poder de cómputo podemos agregar mayor profundidad.

Aunque el enfoque actual del mercado para las técnicas de Deep Learning está en aplicaciones de cómputo cognitivo, también hay un gran potencial en soluciones analíticas más tradicionales.

Otra oportunidad es ser más eficiente y simplificado en operaciones analíticas estratégicamente. En consecuencia, SAS experimentó con redes neurales profundas en problemas de transcripción de habla a texto. Comparado con las técnicas específicas, el índice de errores en palabras disminuyó más de 10% cuando se aplicaron redes neurales profundas.

La promesa del #DeepLearning es generar sistemas que mejoren la precisión de los eventos que se desean modelar y que los modelos se vayan ajustando conforme al tiempo de uso de las nuevas observaciones. #SAS @SASMexico # Analítica Click To Tweet