El aprendizaje profundo (deep learning), o red neuronal, es un tema que se ha vuelto bastante popular hoy en día. Gran parte de la tecnología de inteligencia artificial (AI) que conocemos está impulsada por el aprendizaje profundo. Una y otra vez vemos cómo la AI y el deep learning se intercambian de manera constante, como si se tratase de la misma cosa, lo que puede causar confusión sobre qué es qué. El aprendizaje profundo es un subcampo del aprendizaje automático (machine learning) como se muestra en el gráfico a continuación. Está inspirado en la función del cerebro, a pesar de que todavía es como el de un niño de cuatro años en lugar de un adulto.
Muchos de los gigantes tecnológicos utilizan el aprendizaje profundo en sus productos, como si se tratase de un coche sin conductor; tales como, chatbots, traducción de texto entre idiomas o para la detección de cáncer en una imagen de resonancia magnética, por nombrar algunos. Estos son claros ejemplos donde se destaca el uso de deep learning.
Al detectar un objeto o identificar una cara en una foto, el aprendizaje profundo aprenderá muchos tipos de patrones diferentes. Algunos patrones pueden ser pequeños bordes en la foto, por ejemplo, el contorno del ojo, mientras que otra parte de la red neuronal profunda puede detectar el ojo completo. Cuando se combinan todos esos patrones, el algoritmo detectará la cara con una precisión muy alta.
Al traducir un texto, la red neuronal, LSTM (memoria a corto - largo plazo), puede aprender tendencias en un período de tiempo. Cuando el texto es sobre una mujer, el LSTM lo memorizará y lo utilizará más adelante para predecir que se trata de ella en lugar de él. Sin embargo, la diferencia de precisión entre el deep learning y el aprendizaje automático tradicional es a menudo bastante pequeña (alrededor del 1%) cuando se aplican a alguno de los eventos mencionados anteriormente.
En otro tipo de situación, como puede ser el de predecir la pérdida de clientes, saber con certeza si un cliente comprará un producto o predecir el precio de un inmueble gracias a cierto tipo de información, los algoritmos tradicionales de aprendizaje automático a menudo superan la precisión de las redes neuronales profundas.
Se ha realizado una gran investigación sobre la diferencia entre el deep learning y los algoritmos tradicionales de aprendizaje automático como XGBoost, Support Vector Machine, Random Forest y Cubist, por nombrar algunos. Se concluyó que no hay un único algoritmo que siempre sea el mejor. El rendimiento difiere cuando se emplean para diferentes situaciones. Sin embargo, algoritmos como XGBoost, la mayoría de las veces proporciona los mejores resultados, siendo a menudo el más difícil de superar.
Dado que su productividad difiere dependiendo del tipo de problemas, hay un pequeño truco para obtener lo mejor de todos ellos. XGBoost puede aprender un patrón diferente al de una máquina de vectores de soporte o al de una regresión logística. Estos tres algoritmos, o cualquier otro grupo de algoritmos, se pueden combinar usando lo que llamamos apilamiento (stacking). Al apilar modelos, obtendrás lo mejor de cada uno de esos modelos y se combinan en un modelo final al cual se le llamará el super aprendiz (super learner), que será al menos tan preciso como el mejor de los algoritmos individuales. Esto significa que, si XGBoost logra una precisión del 86%, Support Vector Machine 83% y Logistic Regression 79%, el súper aprendiz debe lograr al menos un 86% de precisión, o más.
Entonces, el aprendizaje profundo no es más que un subcampo del aprendizaje automático y es potente y popular para la solución de cierto tipo de problemas. Los algoritmos tradicionales de aprendizaje automático, especialmente los basados en sistemas neuronales, como XGBoost y Random Forest, son a menudo las opciones más poderosas para la toma de decisiones empresariales. En Sumo Analytics entendemos las fortalezas y debilidades de los diferentes algoritmos, y por lo tanto, utilizamos múltiples algoritmos para cada problema que resolvemos porque queremos brindarle la mayor precisión posible.