Deep Learning

¿Qué es el deep learning / aprendizaje profundo?

El machine learning es una cesta grande, y el deep learning es lo que más jaleo ha armado dentro de ella en los últimos años. Básicamente, imita la forma capa por capa en que los humanos procesamos información —pero no te dejes engañar por eso de “imita al cerebro humano”; la realidad es que sigue a años luz del cerebro de verdad.

Imagina el deep learning como un control de seguridad en un aeropuerto. La primera capa de revisores solo mira lo más básico: el contorno de la maleta, su tono de color. Pasan eso a la segunda capa, que empieza a reconocer partes como ruedas o asas. Se lo pasan a la tercera, y dice “ah, eso es una maleta”. En la capa superior, incluso podría decir si es de cabina o de bodega. Cada capa se construye sobre la anterior, haciendo la información cada vez más abstracta. Lo de “profundo” significa apilar estas capas muy alto—docenas, a veces miles de ellas.

La gran diferencia con el machine learning tradicional es que, en los métodos viejos, los humanos invertían mucho tiempo en decirle al sistema qué características buscar (ej. “orejas puntiagudas = gato”). El deep learning solo se queda mirando millones de fotos y descubre por sí solo que las señales son “orejas puntiagudas, bigotes, forma de la pupila”. En cristiano: te ahorra el diseño manual de características, pero exige montañas de datos y GPUs potentes.

¿Por qué ha explotado ahora? Tres hitos: datos masivos (el botín de internet), computación bruta (las GPUs se volvieron bestiales) y pequeños ajustes en algoritmos (como formas de empujar gradientes más profundo). Sin estos tres, la teoría existía desde hace décadas, pero no podía ejecutarse.

Su talón de Aquiles es la caja negra. Reconoce un gato, pero no puedes explicar si fue por las orejas, los bigotes o la cola. Eso es un problemón en diagnóstico médico o concesión de préstamos. Además, es glotón—con pocos datos, un modelo simple le gana, y su consumo eléctrico es bestial.

El deep learning no es una bala de plata. Es una transformación matemática multicapa que descubre características por sí misma, impulsada por datos y computación enormes. En el sitio adecuado, es un milagro; en el sitio equivocado, un calefactor carísimo.