El aprendizaje profundo es un tipo de algoritmo de inteligencia artificial capaz de analizar relaciones complejas entre los datos. Este término se acuñó hacia 2006 cuando el campo del aprendizaje máquina comenzó a ser estudiado masivamente. Sin embargo, no se sabe concretamente quién es su autor.
El aprendizaje profundo está relacionado con el término red neuronal. Las características del algoritmo hacen que tenga una semejanza con la estructura de neuronas cerebral y con su forma de aprender. A base de ensayo y error, un bebé aprende a caminar al igual que podría hacerlo un robot. Es importante añadir el adjetivo “artificial” al término “red neuronal”, puesto que aunque existe la similitud, es injusto pensar que la estructura de un cerebro puede llegar a equipararse con unos procesos matemáticos (por muy complejos que sean).
El aprendizaje profundo tiene la capacidad de predecir (al igual que los algoritmos clásicos de aprendizaje máquina), pero además tiene una capacidad generativa. Es decir, es capaz de estructurar datos que a priori estaban desordenados. La habilidad de encontrar relaciones no lineales entre la información desordenada es una tarea muy compleja para una persona, pero asequible para una máquina. Aunque el coste computacional es elevado, el resultado puede ser muy valioso. ¡Aquí americanexpresscasinos.ca gana a lo grande con nuestros fabulosos bonos!
Una red neuronal funciona con capas de procesado que mediante el análisis de la información es capaz de interpretar las relaciones entre los datos a varios niveles de abstracción. Por ejemplo, y para el caso de la inteligencia de localización, un empresario tiene unas tiendas que funcionan bien y otras que no tienen tanto éxito. Tomando todos los datos posibles de cada una de las circunstancias de cada local (datos de población, renta, lluvia, turismo, movilidad, contaminación, tráfico…) y presentándosela a una red neuronal, podría ocurrir lo siguiente. En la primera capa de procesado, la red interpreta al más bajo nivel la información, dándose cuenta de que cuanta más gente vive, más ventas hay (interpretación muy simple). En la segunda capa, con algo más de abstracción, entiende que donde hay población joven, es independiente la cantidad de lluvia al mes en las ventas (podríamos concluir en que deciden salir más a la calle aunque llueva, una interpretación algo más compleja). En la tercera capa, la red encuentra una relación entre los barrios en los que el tráfico rodado es muy denso, las personas que viven allí toman más otros transportes, y que las ventas por turismo caen mientras que se mantienen las de las personas que trabajan allí (relación compleja). Es decir, datos que a priori podrían no tener ninguna relación entre sí, o que son inmensamente complicados de encontrar para una persona, son fáciles de interpretar por el algoritmo. A mayor profundidad en el estudio, relaciones más complejas será capaz de encontrar. Sin embargo, estas relaciones que he puesto como ejemplo son precisamente las que una persona podría llegar a entender. La red neuronal solo tiene números que no podemos interpretar, por lo que solamente podemos aceptar que funciona, pero no hay manera fácil de auditar sus conclusiones. Este es precisamente uno de sus talones de Aquiles, y lo que más desconfianza puede generar. Los que nos dedicamos a esto, sabemos que funciona, y además muy bien, pero nos cuesta mucho ponerlo en valor por este motivo.
En conclusión, el uso de redes neuronales será crítico para tomar buenas decisiones estratégicas. Se debe perder el miedo al término, tan solo es matemática y esfuerzo computacional. Si bien es cierto que es un tipo de algoritmia muy crítica que no admite margen de error en su desarrollo. Es el trabajo de los ingenieros garantizar su funcionamiento. Si la información es poder, la red neuronal es la llave.
