This is the Trace Id: 4cdf8e2990ea8e6773691d67d15c9662
Saltar al contenido principal
Azure

¿Qué es el aprendizaje profundo?

Obtenga información sobre cómo el aprendizaje profundo usa redes neuronales artificiales, por qué es importante el aprendizaje profundo y los diferentes tipos de modelos de aprendizaje profundo.

Aprendizaje profundo definido

El aprendizaje profundo es un tipo de aprendizaje automático que usa redes neuronales artificiales para permitir a los sistemas digitales aprender y tomar decisiones basadas en datos no estructurados y sin etiquetar.

El aprendizaje automático entrena sistemas de inteligencia artificial para aprender de las experiencias adquiridas con datos, reconocer patrones, realizar recomendaciones y adaptarse. En lugar de responder simplemente a conjuntos de reglas, los sistemas de aprendizaje profundo crean conocimiento a partir de ejemplos y a continuación, usan ese conocimiento para reaccionar, comportarse y realizarse como seres humanos.

Puntos clave

  • El aprendizaje profundo es un tipo de aprendizaje automático que facilita el aprendizaje y la toma de decisiones en los sistemas digitales.
  • El aprendizaje profundo se basa en arquitecturas de red neuronal que imitan la funcionalidad del cerebro humano.
  • Los desarrolladores confían en marcos de aprendizaje profundo como TensorFlow o PyTorch para facilitar la implementación de modelos complejos de aprendizaje automático.
  • Los sectores emplean el aprendizaje profundo de varias maneras. Los bots de chat, los automóviles sin conductor y los asistentes digitales son ejemplos de tecnologías que usan el aprendizaje profundo.
  • Las empresas de varios sectores están invirtiendo en aprendizaje profundo para impulsar la innovación, descubrir nuevas oportunidades y revelar información de grandes conjuntos de datos.

Por qué es importante el aprendizaje profundo

Los científicos de datos y los desarrolladores utilizan software de aprendizaje profundo para entrenar equipos para analizar complejos conjuntos de datos de gran tamaño, realizar tareas complicadas y no lineales, y responder a voz, imágenes o texto, a menudo más rápidos y precisos que las personas. Esta funcionalidad tiene numerosas aplicaciones prácticas y ha hecho posible muchas innovaciones modernas. Por ejemplo, el aprendizaje profundo es lo que usan los automóviles sin conductor para procesar imágenes y distinguir a los peatones de otros objetos de la carretera, o lo que usan los dispositivos de los hogares inteligentes para reconocer los comandos de voz.

El aprendizaje profundo es importante porque, a medida que los volúmenes de datos aumentan y la capacidad informática se vuelve más eficaz y asequible, las empresas del sector minorista, la asistencia sanitaria, el transporte, la fabricación, la tecnología y otros sectores están invirtiendo en aprendizaje profundo para impulsar la innovación y mantenerse relevantes.

Cómo funciona el aprendizaje profundo

El aprendizaje profundo se basa en arquitecturas de red neuronal de varias capas, unidades de procesamiento gráfico de alto rendimiento implementadas en la nube o en clústeres, y grandes volúmenes de datos etiquetados para lograr niveles muy altos de precisión en el reconocimiento de texto, voz e imágenes. Toda esa potencia puede ayudar a sus desarrolladores a crear sistemas digitales que imitan la inteligencia humana y a optimizar el tiempo de valor mediante la aceleración del entrenamiento de modelos de semanas a horas.

Por ejemplo, para el entrenamiento de un modelo de automóvil sin conductor se podrían necesitar miles de horas de vídeo y millones de imágenes. Sin el aprendizaje profundo, este nivel de entrenamiento no se podría hacer a gran escala.

¿Qué es un marco de aprendizaje profundo?

Para facilitar la implementación de los modelos de aprendizaje automático complejos, los desarrolladores recurren a marcos de aprendizaje profundo, como TensorFlow o PyTorch. Estos marcos simplifican el proceso de recopilación de datos que luego se pueden usar para entrenar redes neuronales. Además, se pueden usar aceleradores como ONNX Runtime con estos marcos para acelerar el entrenamiento y la inferencia de modelos.

Entrenamiento de modelos de aprendizaje profundo

Para entrenar modelos de aprendizaje profundo, hay diferentes estrategias y métodos. Veamos algunos de ellos con más detalle.

Aprendizaje supervisado

En el aprendizaje supervisado, un algoritmo se entrena con conjuntos de datos etiquetados. Esto significa que, cuando el algoritmo realiza una determinación sobre un fragmento de información, puede usar las etiquetas incluidas con los datos para comprobar si esa determinación es correcta. En el aprendizaje supervisado, los datos con los que se entrenan los modelos los deben proporcionar personas, que etiquetan los datos antes de usarlos para entrenar el algoritmo.

Aprendizaje no supervisado

Con el aprendizaje no supervisado, los algoritmos se entrenan con datos que no contienen etiquetas ni información que el algoritmo pueda usar para comprobar sus determinaciones. Lo que hace el sistema es ordenar y clasificar los datos en función de los patrones que reconoce por sí mismo.

Reforzar el aprendizaje

Con el aprendizaje de refuerzo, un sistema resuelve las tareas mediante la técnica de ensayo y error para tomar una serie de decisiones en una secuencia y lograr un resultado previsto incluso en un entorno que no es sencillo. Con el aprendizaje de refuerzo, el algoritmo no usa conjuntos de datos para hacer determinaciones, sino información que recopila de un entorno.

Aprendizaje de refuerzo profundo

Cuando se combinan técnicas de aprendizaje profundo y aprendizaje de refuerzo, crean un tipo de aprendizaje automático denominado aprendizaje de refuerzo profundo. El aprendizaje de refuerzo profundo utiliza la misma técnica de toma de decisiones por ensayo y error, y la misma consecución de objetivos complejos que el aprendizaje de refuerzo, pero se basa también en la funcionalidad del aprendizaje profundo para procesar y dar sentido a grandes cantidades de datos no estructurados.

¿Para qué se usa el aprendizaje profundo?

El aprendizaje profundo se usa en empresas de numerosos sectores para una amplia gama de casos de uso. Los siguientes son algunos ejemplos de cómo se usa normalmente el aprendizaje profundo:

Reconocimiento de imágenes, voz y emociones

El software de aprendizaje profundo se utiliza para aumentar la precisión del reconocimiento de imágenes, voz y emociones, y para habilitar la búsqueda de fotos, asistentes digitales personales, vehículos sin conductor, seguridad pública, seguridad digital y otras tecnologías inteligentes.

Bots de chat

Las empresas más hábiles usan el aprendizaje profundo en la creación de bots de chat online activados por voz o texto para atender preguntas frecuentes, transacciones rutinarias y, especialmente, para la atención al cliente. Reemplazan los equipos de agentes de servicio y las colas de clientes en espera por respuestas automatizadas, adecuadas contextualmente y útiles.

Vehículos sin conductor

Los automóviles de conducción automática usan algoritmos de aprendizaje profundo para procesar varias fuentes de distribución de datos dinámicas en segundos divididos y reaccionar ante lo inesperado más rápido que un conductor humano.

Experiencias adaptadas

Los servicios de streaming, los minoristas de comercio electrónico y otras empresas usan modelos de aprendizaje profundo para generar recomendaciones automatizadas de productos, películas, música u otros servicios, y para perfeccionar la experiencia de los clientes en función de su historial de compras, comportamientos anteriores y otros datos.

Asistentes digitales personales

Los asistentes digitales personales activados por voz usan el aprendizaje profundo para reconocer la voz, responder adecuadamente a las preguntas y los comandos en lenguaje natural e, incluso, bromear a veces.

Comprendiendo las redes neuronales

Las redes neuronales son arquitecturas digitales diseñadas para imitar la actividad del cerebro humano. Se componen de nodos interconectados que procesan y aprenden de los datos, lo que permite tareas como el reconocimiento de patrones y la toma de decisiones en el aprendizaje automático. Las empresas y otras instituciones se basan en estos modelos para la previsión financiera, las estrategias de ventas y otras decisiones empresariales.

¿Qué son las redes neuronales?

Una red neuronal artificial es una arquitectura digital que imita los procesos cognitivos humanos para modelar patrones complejos, desarrollar predicciones y reaccionar adecuadamente ante los estimules externos. Los datos estructurados son necesarios para muchos tipos de aprendizaje automático. Sin embargo, las redes neuronales pueden interpretar eventos del mundo que las rodea como datos que pueden procesar.

Cada vez que lee un informe, ve una película, conduce un automóvil o huele una flor, miles de millones de neuronas de su cerebro procesan la información a través de pequeñas señales eléctricas. Cada neurona procesa las entradas y los resultados se envían a la siguiente neurona para su posterior procesamiento, generando en última instancia y al instante una información empresarial, un óleo, un pie en el retraso o un poco de felicidad. En el aprendizaje automático, las redes neuronales permiten a los sistemas digitales interpretar y reaccionar ante situaciones de una manera similar.

Una red neuronal artificial es como un cerebro lleno de neuronas digitales. Aunque la mayoría de ellas son imitaciones rudimentarias de lo real, todavía pueden procesar grandes volúmenes de datos no lineales para resolver problemas complejos que, de otro modo, podrían requerir la intervención humana. Por ejemplo, los analistas bancarios pueden usar redes neuronales artificiales para procesar las solicitudes de préstamos y predecir la probabilidad de que un solicitante tenga un valor predeterminado.

Qué se puede hacer con las redes neuronales

En el aprendizaje automático, las redes neuronales se usan para el aprendizaje y el modelado de entradas y salidas complejas y volátiles, deducir relaciones ocultas y realizar predicciones sin restricciones de distribución de datos. Los modelos de red neuronal son la base de muchas aplicaciones de aprendizaje profundo, como la visión artificial y el procesamiento de lenguaje natural, que pueden ayudar en la protección contra fraudes, el reconocimiento facial o los vehículos autónomos.

La mayoría de las empresas confían en la previsión como base para la toma de decisiones comerciales, estrategias de ventas, directivas financieras y el uso de recursos. Pero, con frecuencia, las limitaciones de la previsión tradicional dificultan la predicción de procesos dinámicos complejos, con varios factores subyacentes y a menudo, ocultos, como los precios del mercado de valores. Los modelos de red neuronal de aprendizaje profundo ayudan a exponer relaciones no lineales complejas y factores no vistos para que las empresas puedan desarrollar previsiones más precisas.

Redes neuronales comunes

Hay muchos tipos diferentes de redes neuronales de inteligencia artificial (ANN) y cada una de ellas está indicada para aplicaciones de aprendizaje profundo distintas. Use una red ANN adecuada para sus requisitos empresariales y tecnológicos. Estos son algunos ejemplos de redes neuronales de inteligencia artificial comunes:

Red neuronal convolucional
Los desarrolladores usan una red neuronal convolucional para ayudar a los sistemas de inteligencia artificial a convertir imágenes en matrices digitales. Las redes CNN, que se usan principalmente para la clasificación de imágenes y el reconocimiento de objetos, son adecuadas para el reconocimiento facial, la detección de temas y el análisis de sentimiento.

Red neuronal deconvolucional
Si las señales de red complejas o de gran volumen se pierden o se convierten en convoluciones con otras señales, una red neuronal deconvolucional le ayudará a encontrarlas. Las redes neuronales deconvolucionales son útiles para procesar imágenes de alta resolución y estimaciones de flujo óptico.

Red adversaria generativa
Los ingenieros usan una red adversaria generativa para entrenar modelos acerca de cómo generar nueva información o material que imite las propiedades específicas de los datos de entrenamiento. Las redes adversarios generativas ayudan a los modelos a distinguir sutiles diferencias entre originales y copias para realizar copias más autenticadas. Las aplicaciones de red adversaria generativa incluyen generación de imágenes y vídeo de alta fidelidad, reconocimiento facial avanzado y super resolución.

Redes neuronales recurrentes
Una red neuronal recurrente introduce datos en capas ocultas con retrasos de tiempo específicos. La informática de red tiene en cuenta la información histórica en los estados actuales, y las entradas más altas no cambian el tamaño del modelo. Las redes neuronales recurrentes son una buena opción para el reconocimiento de voz, la previsión avanzada, la robótica y otras cargas de trabajo complejas de aprendizaje profundo.

Transformadores
Los transformadores están diseñados para controlar los datos de entrada secuenciales. Sin embargo, no se limitan al procesamiento de los datos en un orden secuencial, sino que utilizan la atención, una técnica que permite a los modelos asignar distintos niveles de influencia a diferentes fragmentos de datos de entrada e identificar el contexto de los datos individuales en una secuencia de entrada. Esto permite un mayor nivel de paralelización, que puede reducir los tiempos de entrenamiento del modelo.

Aprendizaje automático frente a redes neuronales

Aunque las redes neuronales se consideran un subconjunto del aprendizaje automático, hay algunas diferencias importantes entre las redes neuronales y los modelos de aprendizaje automático normales.

Por un lado, las redes neuronales suelen ser más complejas y capaces de funcionar de una forma más independiente que los modelos de aprendizaje automático normales. Por ejemplo, una red neuronal puede determinar por sí misma si sus predicciones y resultados son precisos, mientras que un modelo de aprendizaje automático necesitaría la intervención de un ingeniero humano para hacer esa distinción.

Además, las redes neuronales están estructuradas para poder seguir aprendiendo y tomando decisiones inteligentes por sí solas. Los modelos de aprendizaje automático, en cambio, están limitados a la toma de decisiones basada únicamente en aquello con lo que se han entrenado específicamente.
RECURSOS

 Profundice en las ventajas del aprendizaje profundo

Una mujer con una camiseta blanca sentada en un equipo.
Producto

Empiece a trabajar con el aprendizaje profundo en Azure

Permita el reconocimiento de imágenes con redes neuronales u optimice el procesamiento de lenguaje natural con modelos de NLP BERT rápidos, fáciles y precisos. Vea cómo crear, entrenar e implementar todos los tipos de modelos de aprendizaje profundo con Azure Machine Learning.
Un hombre con la mano en la cara mirando un portátil.
Solución

Explorar el aprendizaje automático para científicos de datos

Aprenda a crear soluciones de aprendizaje automático a escala de nube en Azure y explore herramientas de aprendizaje automático para científicos de datos e ingenieros de aprendizaje automático.
Un hombre mirando su teléfono.
Eventos

Eventos y seminarios web de Azure

Aprenda nuevas habilidades, explore tecnologías emergentes y conéctese con sus colegas de forma digital o presencial.

PREGUNTAS MÁS FRECUENTES

  • El aprendizaje profundo es un subconjunto de la inteligencia artificial. Usa redes neuronales artificiales que ayudan a los sistemas digitales a aprender y tomar decisiones basadas en datos no estructurados y sin etiquetar.
  • El aprendizaje profundo es un subconjunto del aprendizaje automático. La principal diferencia entre los dos es cómo aprende cada algoritmo y cuántos datos requiere cada tipo de algoritmo. Dado que el aprendizaje profundo usa más datos, las empresas suelen confiar en ellos para tareas más complejas.
  • La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo se suelen usar indistintamente. Sin embargo, resulta más fácil pensar en estos tres como una serie de sistemas de inteligencia artificial de mayor a menor, cada uno de los cuales engloba al siguiente. La inteligencia artificial es el sistema general, el aprendizaje automático es un subconjunto de IA y el aprendizaje profundo es un subconjunto del aprendizaje automático.
  • El aprendizaje profundo se usa en una amplia gama de sectores de diversas maneras. Los asistentes digitales, por ejemplo, usan el aprendizaje profundo para comprender la voz y responder adecuadamente a las consultas y los comandos.
  • El aprendizaje profundo tiene su importancia porque revela información a partir de grandes conjuntos de datos de formas que antes no eran posibles. Las empresas de los sectores minorista, sanitario, transporte, fabricación y otros sectores están invirtiendo en aprendizaje profundo para impulsar la innovación, descubrir oportunidades y mantenerse relevantes.
  • Azure emplea aprendizaje profundo a través de un sistema complejo de arquitecturas de red neuronal, GPU de alto rendimiento y grandes volúmenes de datos etiquetados. Estos servicios permiten a los desarrolladores que usan Azure crear aplicaciones inteligentes, de vanguardia, listas para el mercado y responsables.