Aprendizaje Profundo (Deep Learning)
El aprendizaje profundo es un tipo de aprendizaje automático que puede procesar una gama más amplia de recursos de datos, requiere menos preprocesamiento de datos por parte de los humanos y, a menudo, puede producir resultados más precisos que los enfoques tradicionales de aprendizaje automático (aunque requiere una mayor cantidad de datos para hacerlo). En el aprendizaje profundo, las capas interconectadas de calculadoras basadas en software conocidas como “neuronas” forman una red neuronal. La red puede ingerir grandes cantidades de datos de entrada y procesarlos a través de múltiples capas que aprenden características cada vez más complejas de los datos en cada capa. Luego, la red puede hacer una determinación sobre los datos, saber si su determinación es correcta y utilizar lo que ha aprendido para hacer determinaciones sobre nuevos datos. Por ejemplo, una vez que aprende cómo se ve un objeto, puede reconocer el objeto en una nueva imagen.
Principales Modelos
Red neuronal convolucional
Lo que es – Una red neuronal de múltiples capas con una arquitectura especial diseñada para extraer características cada vez más complejas de los datos en cada capa para determinar la salida.
Cuándo usarlo – Cuando se tiene un conjunto de datos no estructurados (por ejemplo, imágenes) y se necesita inferir información de él.
Cómo funciona
-
La red neuronal convolucional (CNN) recibe una imagen, por ejemplo, de la letra “A”, que procesa como una colección de píxeles.
-
En las capas ocultas, identifica características únicas, por ejemplo, las líneas individuales que forman “A”.
-
La CNN ahora puede clasificar una imagen diferente como la letra “A” si encuentra en ella las características únicas identificadas previamente como parte de la letra.
Casos de uso empresarial
-
Diagnosticar enfermedades a partir de exploraciones médicas.
-
Comprender la percepción de la marca del cliente y su uso a través de imágenes.
-
Detectar el logotipo de una empresa en las redes sociales para comprender mejor las oportunidades de mercadeo conjunto (por ejemplo, el emparejamiento de marcas en un producto).
-
Detectar productos defectuosos en una línea de producción a través de imágenes.
Red neuronal recurrente
Lo que es – Una red neuronal de múltiples capas que puede almacenar información en nodos de contexto, permitiéndole aprender secuencias de datos y generar un número u otra secuencia.
Cuándo usarlo – Cuando se trabaja con datos o secuencias de series de tiempo (por ejemplo, grabaciones de audio o texto).
Cómo funciona
Otras arquitecturas de redes neuronales suponen que todas las entradas son independientes entre sí; pero esta suposición no funciona bien para algunas tareas. Tomando, por ejemplo, la tarea de predecir la siguiente palabra en una oración; es más fácil predecir la siguiente palabra si se conocen varias palabras anteriores.
-
Una neurona de red neuronal recurrente (RNN) recibe un comando que indica el inicio de una oración.
-
La neurona recibe la palabra “Está” y luego emite un vector de números que se retroalimenta en la neurona para ayudarlo a “recordar” que recibió “Son” (y que la recibió primero). El mismo proceso ocurre cuando recibe “usted” y “libre”, y el estado de la neurona se actualiza al recibir cada palabra.
-
Después de recibir “libre”, la neurona asigna una probabilidad a cada palabra en el vocabulario en inglés que podría completar la oración. Si se entrena bien, el RNN asignará a la palabra “mañana” una de las probabilidades más altas y la elegirá para completar la oración.
Casos de uso empresarial
-
Generar informes de analistas para comerciantes de valores.
-
Proporcionar traducción de idiomas.
-
Realizar un seguimiento de los cambios visuales en un área después de un desastre para evaluar las reclamaciones de daños potenciales (junto con las CNN).
-
Evaluar la probabilidad de que una transacción con tarjeta de crédito sea fraudulenta.
-
Generar subtítulos para imágenes.
-
Potenciar los chatbots que pueden abordar las necesidades y consultas de los clientes con más matices.