El Aprendizaje Profundo es desde 2018, la vanguardia de la Inteligencia Artificial; puede verse como un Aprendizaje Automático con profundas redes neuronales, que procesan los datos de manera similar al cerebro humano
Lo que diferencia a la inteligencia artificial de otras aplicaciones informáticas es que no hay que programarla para cada escenario. Cuando se le «enseñan» las tareas que debe resolver, se está en presencia del aprendizaje automático (machine learning), y cuando aprende por sí misma estamos en presencia del aprendizaje profundo (deep learning).
Un ejemplo de aprendizaje automático es un programa que identifique imágenes de perros. Se le da a la aplicación un conjunto de características físicas de un perro, para que sepa reconocerlo: colores, formas y otros elementos. Enseguida se le «muestran» imágenes (si alguna está etiquetada como «perro», la aplicación podrá identificarla más fácilmente). Una vez que la aplicación haya «visto» suficientes imágenes de perros, debería ser capaz de identificarlos en otras imágenes: «si la imagen contiene algunas de las características aprendidas, entonces hay un 95 % de que sea un perro».
El aprendizaje profundo, por su parte, es, desde 2018, la vanguardia de la inteligencia artificial; puede verse como un aprendizaje automático con profundas redes neuronales que procesan los datos de manera similar al cerebro humano.
La diferencia clave con respecto a su predecesor es que no se tiene que enseñar al programa cómo son los perros; simplemente se le dan suficientes imágenes de perros, y el algoritmo será capaz de resolverlo por sí mismo. El algoritmo inspeccionará las fotos para ver qué tienen en común (pista: son perros). Cada foto se deconstruirá en múltiples niveles de detalle, desde formas grandes y generales hasta líneas pequeñas. Si una forma se repite mucho, el algoritmo lo etiquetará como una característica importante. Tras analizar suficientes fotos, el algoritmo ya sabrá reconocer los patrones que definen lo que es un perro y podrá identificarlo en cualquier otro escenario.
Si bien los modelos básicos de aprendizaje automático se vuelven progresivamente mejores en cualquier función, aún necesitan cierta orientación. Si un algoritmo de inteligencia artificial devuelve una predicción inexacta, entonces un ingeniero debe intervenir y hacer ajustes. Con un modelo de aprendizaje profundo, un algoritmo puede determinar si una predicción es precisa o no a través de su propia red neuronal. Es decir, puede aprender mediante su propio método de computación, como si tuviera un cerebro propio.
