Aprendiendo el aprendizaje profundo

Poco a poco voy aprendiendo diferentes cosillas sobre inteligencia artificial. Hoy toca hablar del término “Deep Learning” o aprendizaje profundo. Aunque esta palabra puede parecer muy moderna, en realidad, la idea ya viene de la década de los años 50 (solo que ha tenido que pasar un tiempo hasta que se han podido llevar a cabo).

El aprendizaje profundo es un método de algoritmos que aprenden por si mismos (“Machine Learning”) siendo el propio algoritmo el que saca patrones a partir de los datos aportados para poder crear un modelo. Esta tecnología ha dado ha permitido grandes avances en campos tan dispares como el reconocimiento de voz, el reconocimiento de imágenes o la traducción sin contar con aquellas aplicaciones que aún se están desarrollando en la actualidad.

En los últimos años el aprendizaje profundo se ha puesto de moda dando a lugar a una gran cantidad de titulares en periódicos y apareciendo en una gran cantidad de artículos en diferentes medios de comunicación. Aunque en la actualidad es para muchos la técnica preferida de la inteligencia artificial hay otros científicos que intentan alertar de las limitaciones que también puede tener el aprendizaje profundo.

1. Necesita de una gran cantidad de datos: el aprendizaje profundo se entrena a partir de datos disponibles por lo que en aquellos casos donde los datos no estén disponibles puede que no encuentre la mejor solución
2. Ofrece poca profundidad: los sistemas actuales solo han sido entrenados pero en realidad no comprenden los conceptos así que las soluciones que ofrecen son superficiales.
3. No puede tratar con estructuras jerárquicas: las correlaciones establecidas por el aprendizaje profundo se hacen entre elementos que están al mismo nivel.
4. No permite inferir información: el aprendizaje profundo puede desenvolverse correctamente aquellas situaciones contenidas en un texto, pero no cuando la información no es explícita.
5. No es lo suficientemente transparente: el aprendizaje profundo puede tomar decisiones cuyo funcionamiento concreto se desconoce.
6. No ha sido integrado con el conocimiento previo: el aprendizaje profundo se basa en entrenar al sistema haciéndole aprender una relación entre las entradas y las salidas, pero no tiene en cuenta conocimientos previos.
7. No diferencia entre causalidad y correlación: el aprendizaje profundo establece relaciones, pero no puede distinguir si estas son por correlación o por causalidad.
8. Necesita de un ambiente estable: el aprendizaje profundo no funciona de forma adecuada en entornos poco predecibles.
9. En ocasiones las soluciones obtenidas no son fiables: por todo lo anterior el aprendizaje profundo puede dar datos erróneos por lo que sus predicciones deben de tomarse con cautela.