Deep learning

Deep learning

deep learning se define como aquella tecnología que permite que diferentes maquinas aprendan y sean capaces de entrenarse a sí mismas.  Así pues, las máquinas pueden tener la facultad de resolver problemas complejos con la ayuda de un conjunto de datos muy diversos y desordenados; permitiendo que estas puedan reconocer patrones de repetición, palabras concretas, comportamientos frecuentes, etc.

Desde sus inicios, a mediados del siglo pasado, Deep learning ha tenido increíbles avances debido que su función principal va encaminada a través de algoritmos que buscan imitar al mismo cerebro humano. En este orden de ideas es pertinente saber que estos algoritmos realizan tareas repetidamente

No obstante, hay algo que los hace diferente y es que este algoritmo se ajusta y se perfecciona para mejorar el resultado, sin embargo, para lograr dichos resultados y que sean asombrosamente exitosos, Deep learning necesita de muchos datos.

Por consiguiente, Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. El encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas.

Los modelos computacionales de Deep Learning imitan estas características arquitecturales del sistema nervioso, permitiendo que dentro del sistema global haya redes de unidades de proceso que se especialicen en la detección de determinadas características ocultas en los datos. Este enfoque ha permitido mejores resultados en tareas de percepción computacional, si las comparamos con las redes monolíticas de neuronas artificiales.

Ahora bien, los algoritmos que componen un sistema de aprendizaje profundo se encuentra en diferentes capas neuronales compuestas por pesos (números). El sistema está dividido principalmente en 3 capas.

Capa de entrada (Intup Layer): Está compuesto por las neuronas que asimilan los datos de entrada, como por ejemplo imagen o una tabla de datos.

Capa oculta (Hidden Layer): Es la red que realiza el procesamiento de información y hacen los cálculos intermedios. Cada más neurona en esta capa haya, más complejos son los cálculos que se efectúan.

Salida (Output Layer): Es el último eslabón de la cadena, y es la red que toma la decisión o realiza alguna conclusión aportando datos de salida.

Por último, es de importancia resaltar que la inteligencia artificial aumenta cada día y proporciona nuevas perspectivas en el aprendizaje automático, actualmente Deep learning se utiliza en muchos frentes, como el reconocimiento facial de redes sociales, automóviles automatizados e incluso algunos diagnósticos en el campo de la medicina.

Las principales aplicaciones del deep learning se encuentran en el mercado financiero para realizar modelos predictivos, y en el sector de la medicina para la realización de diagnósticos médicos.

Son muchos los sectores que están empezando a apostar por el deep learning como la banca para la detección de fraudes o las auditorías de bancos.

Muchas de las aplicaciones que utilizamos en el día a día ya utilizan deep learning, como puede ser el asistente de Apple (Siri) o el de Windows (Cortana).

Las búsquedas por voz de los buscadores también utilizan tecnología basada en deep learning para disminuir su tasa de error.

Los chats inteligentes cada vez son más habituales para implementar los servicios de atención al cliente. Estos chats están basados en deep learning y son capaces de contestar automáticamente a las preguntas de los usuarios, dirigiendo automáticamente hacia un operador o técnico especializado aquellas incidencias que no pueda resolver o contestar.

Las búsquedas por imágenes de Google son otro claro ejemplo de cómo el deep learning es capaz de realizar y reconocer por sí mismo objetos, lugares, etc. y buscar imágenes similares (Felipe, 2020).

...