El aprendizaje profundo, nombre por el que se conoce esta técnica, implica la aplicación repetida de cálculos a los datos, que pueden ser imágenes o sonido, para reconocer atributos clave y similitudes. Ofrece una forma poderosa de que las máquinas reconozcan similitudes que de otra forma serían muy díficiles de comprender para un ordenador: la misma cara vista desde distintos ángulos, por ejemplo, o una palabra pronunciada con distintos acentos (ver Aprendizaje profundo).
Los principios matemáticos que forman la base del aprendizaje profundo son relativamente sencillos, pero cuando se combinan con enormes cantidades de datos de aprendizaje y sistemas informáticos que ejecutan múltiples operaciones en paralelo, la técnica ha dado paso a grandes avances en los últimos años, sobre todo en los campos de reconocimiento de voz e imágenes.
Por ejemplo, Google utiliza aprendizaje profundo para el reconocimiento de voz en móviles Android, mientras que Facebook utiliza la tecnología para identificar amigos en las fotos de sus usuarios (ver Un software compara caras con precisión casi humana).
Y les siguen otras empresas tecnológicas. En un evento en Boston (EEUU) celebrado la semana pasada, dos investigadores de eBay describieron cómo esta empresa utiliza aprendizaje profundo para aprender a catalogar los productos mediante las imágenes del producto publicadas por los vendedores. A través del estudio de imágenes que ya han sido etiquetadas, el sistema puede distinguir, por ejemplo, entre unas chanclas y unas manoletinas. Esto ayuda a mejorar el buscador de eBay, sobre todo para productos que no han sido correctamente etiquetados.
El interés por el aprendizaje profundo empieza a manifestarse en otros campos e industrias también. En el evento en Boston, investigadores, ingenieros y emprendedores hablaron de los progresos en este campo y sus aplicaciones potenciales en la publicidad, las finanzas y la medicina. Un asistente que previamente había aplicado las técnicas de aprendizaje artificial a los fondos de alto riesgo había fundado una start-up para el uso de aprendizaje profundo para predecir cambios de mercado, como una caída repentina del valor de una divisa. Otro asistente, empleado de una de las principales aseguradoras del país, buscaba utilizar el aprendizaje profundo para identificar reclamaciones fraudulentas.
Un líder del campo, profesor adjunto de la Universidad de Stanford (USA) y director de Tecnología de la empresa china Baidu, Andrew Ng, dijo en la conferencia que el aprendizaje profundo ya ha demostrado su utilidad. "Una de las cosas que Baidu hizo muy bien desde el principio fue crear una plataforma inte a de aprendizaje profundo", dijo Ng. "Un ingeniero de nuestro grupo de sistemas decidió utilizarlo para identificar con un día de antelación cuándo va a fallar el disco duro. Utilizamos aprendizaje profundo para detectar intrusiones. Ahora mucha gente está aprendiendo acerca del aprendizaje profundo y lo intentan aplicar a muchos problemas distintos".
El aprendizaje profundo está siendo probado por investigadores como herramienta para recoger conocimientos de imágenes médicas. Un investigador de doctorado del Instituto para el Cancer Dana-Farber de Boston (USA), Emmanuel Rios Velázquez, está explorando el uso de aprendizaje profundo para ayudar a predecir el pronóstico de un paciente con mayor precisión a partir de las imágenes de su cáncer.
El desarrollo de nuevos fármacos representa otra área prometedora. Un investigador de la Universidad de Carolina del Norte – Chapel Hill (EEUU), Olexandr Isayev, ha demostrado que los algoritmos de aprendizaje profundo pueden ayudar a entrenar ordenadores para que escojan moléculas de fármacos potencialmente beneficiosos de entre millones de candidatos. Isayev introdujo datos de cientos de miles de experimentos a su sistema informática, y después le pidió que predijera cómo una molécula podría unirse a un grupo específico de proteínas. "Un algoritmo típico de aprendizaje profundo realiza una función objetiva", explica."[Con el aprendizaje profundo] puedes realizar múltiples optimizaciones. Por ejemplo, podrías querer maximizar la unión con este tipo de proteína pero minimizar la unión con otra proteína".
El aprendizaje profundo no es la solución para todo, como demuestra también el trabajo de Isayev. Dice que las mejoras que ofreció para el descubrimiento informatizado de medicamentos fueron modestas en comparación con lo que esta técnica podría aportar al reconocimiento de imágenes informatizadas.
Aun así, el potencial que supone una aplicación más amplia del aprendizaje profundo se puede ver con el afloramiento de algunas start-up bien financiadas. MetaMind, radicado en Palo Alto (USA), que ha creado una plataforma de aprendizaje profundo, fue fundada por Richard Socher, un antiguo alumno de Ng en la Universidad de Stanford (USA). "Tenemos a gente clasificando moda, coches, casas, imágenes de satélite, y cada una de estas ya es una industria gigante", dice Socher. "La belleza del aprendizaje profundo radica en el hecho de que, desde los datos aún sin procesar hasta el producto final, es todo aprendido".