Pasado, presente y futuro del "deep learning"

Geoffrey Hinton, Yann LeCun, Yoshua Bengio y Demis Hassabis acaban de ser reconocidos con el Premio “Princesa de Asturias” de Investigación Científica y Técnica. Su dilatada trayectoria científica y la gran cantidad de citas que han recibido sus numerosas publicaciones los avalan. Se consideran pioneros en el área del Deep Learning, una rama de la Inteligencia Artificial que no deja de crecer en importancia y que ya forma parte de nuestras vidas.

Si la Inteligencia Artificial y las redes neuronales no son nada nuevo, puesto que sus orígenes datan de mediados del siglo XX, tampoco lo son el Deep Learning y las redes neuronales profundas. Uno de los primeros intentos fue precisamente el trabajo publicado en 1998 por LeCun y Bengio, junto a otros autores. Su objetivo era resolver el problema de reconocimiento de caracteres en documentos. Sin embargo, fue en el año 2012, con la publicación de un trabajo co-autorizado en este caso por Hinton, cuando se produce el verdadero auge del Deep Learning. Su propuesta es muy similar a la anteriormente mencionada, pero con resultados notablemente superiores. ¿Qué fue lo que supuso que este trabajo se considere un hito en la historia del Deep Learning? Por una parte, los avances hardware en materia de GPUs (tarjetas gráficas), que permiten entrenar modelos de Deep Learning en un tiempo razonable; de hecho, el cuello de botella del modelo de 1998 estaba precisamente en la computación e impidió que en aquel momento se apreciara todo su potencial. Por otra parte, el auge del Big Data y la disponibilidad de un mayor número de datos que facilitan el proceso de entrenamiento de este tipo de modelos.

El Deep Learning ha avanzado notablemente en estos últimos 10 años, hasta el punto de que su aplicación se ha consolidado en numerosos ámbitos. El smartphone que probablemente tienes en el bolsillo, o desde el que quizás estás leyendo estas palabras, utiliza Deep Learning para reconocimiento de voz cuando le dices “Llamar a Mamá”. Ese mismo dispositivo también utiliza Deep Learning para visión por ordenador cuando se desbloquea automáticamente por reconocimiento facial. El traductor de Google utiliza Deep Learning cuando le pides que te traduzca un texto a otro idioma y Netflix lo hace cuando te recomienda una serie o una película afín a tus gustos. Además de en la vida cotidiana, el Deep Learning también se utiliza en otros ámbitos como la medicina, con sistemas de ayuda al diagnóstico de enfermedades; o en la industria, para automatizar procesos en las cadenas de producción.

No cabe duda de que el Deep Learning ha llegado para quedarse y que ya es capaz de resolver numerosos problemas de diferente complejidad. ¿Qué no controlará el Deep Learning? ¿Cuáles son los desafíos que los investigadores tenemos por delante? A lo primero no es fácil responder dado que cada día surgen nuevas técnicas y aplicaciones de esta disciplina. Es por ello que uno de los retos más importantes está relacionado con la explicabilidad: debemos ser capaces de que el funcionamiento de este tipo de modelos sea transparente y se pueda explicar, consiguiendo así que sean más seguros y confiables.

Suscríbete para seguir leyendo