Hace varias décadas, científicos y autores como Isaac Asimov, más allá de sus libros de ciencia ficción, ya propugnaban la posibilidad de que en un futuro próximo y no muy lejano los seres humanos aprendieran a través de máquinas y redes interconectadas a nivel mundial. Hoy en día, herramientas como el Deep Learning se podrían considerar herederas de aquellos primeros pioneros que ya preconizaban los avances de los que ya disfrutamos.

A partir de la década de los 50 del siglo XX, los laboratorios de investigación científica de medio mundo comenzaron a trabajar sobre algo que se conocería como Inteligencia Artificial. No obstante, aquellos primeros experimentos no son exactamente como imaginaban los pioneros en este tema.

Sin embargo, los esfuerzos primigenios han dado como resultado el uso de herramientas en muy diversas áreas. Si en el mundo empresarial y comercial los emprendedores utilizan el Big Data para automatizar y analizar grandes masas de datos, en el educacional y formativo han ganado más presencia el Machine Learning y el Deep Learning.

El Deep Learning

Entendemos por Deep Learning a la experiencia del aprendizaje automático no supervisado que busca una aproximación máxima a la percepción humana.

Entre los diversos mecanismos de aprendizaje automatizado observamos muchas posibilidades, como son el Big Data, el Small data, el IoT, el Ensemble Learning y, por supuesto, el Deep Learning, que pretende aproximarse lo máximo posible a la percepción humana de las cosas.

Por eso, con este enfoque se utilizan estructuras lógicas semejantes a la organización de un sistema nervioso mamífero. Para ello, se crean capas de unidades de proceso, que vendrían a ser neuronas artificiales. Dichas capas están especializadas en la detección de características existentes en los objetos que se perciben.

Con el enfoque del aprendizaje profundo se proporciona una mejora en la comparativa con algoritmos tradicionales. Es decir, se crean entornos artificiales de código que se ejecutan a través de GPUs de gran potencia tipo CUDA o NVIDIA cuDNN.

¿Qué se logra? Un acercamiento íntimo al modo en que funciona un sistema nervioso humano. Se usa como base la micro-arquitectura del encéfalo mamífero pese a su complejidad. Pero sus núcleos y áreas diferenciadas crean redes de neuronas especializadas en tareas muy específicas.

La Neurociencia y el aprendizaje profundo automático

La Neurociencia ha permitido descubrir centros específicos del lenguaje, redes especializadas en la detección de aspectos visibles como inclinaciones o bordes, así como simetría, e incluso reconocimiento de rostros a través de la expresión emocional.

Este conocimiento trata de ser aplicado a los modelos computacionales que se emplean en el Deep Learning con la intención de imitar las características del sistema nervioso desde un punto de vista arquitectónico, lo que permite que, en un sistema global de redes de unidades de proceso, se especialicen en la detección de características ocultas en los datos.

Con este novedoso y atrevido enfoque se obtienen mejoras sustanciales en la obtención de resultados en tareas de percepción computacional. Por eso, más allá de la integración de procesos psicológicos humanos en el aprendizaje o el uso del lenguaje, se busca una computación cognitiva que se puede expandir a aplicaciones múltiples en el ecosistema digital.

De esta forma, acciones como el razonamiento, la motivación, la emoción e incluso la atención pueden formar parte de los sistemas artificiales para que se acerquen a un entendimiento cada vez más humano y, en un futuro, tal vez por encima de lo humano. El siguiente paso en ello, sin duda, es el Deep Learning.