Empezaré diciendo que, en esta comparativa de Deep Learning vs Machine Learning, debe tenerse claro que ambos conceptos son un subconjunto de la inteligencia artificial.
Para acotar esta diferencia tenemos que hablar de la inteligencia artificial como el campo científico que usa la informática y los datos con el fin de resolver los problemas que surgen en las máquinas. Dicho esto, vamos a explicar qué es cada cosa para que nos quede todo claro.
Qué es el Machine Learning
A nivel general, el Machine Learning o aprendizaje automático es el término utilizado para el aprendizaje de las máquinas respecto a los datos. En seguida aparecen los algoritmos, una palabra muy usada en la actualidad, que son usados para realizar una tarea específica sin ser programados.
Por tanto, los algoritmos reconocen patrones (algo que se repite) en los datos y hacen predicciones una vez que llegan a otros datos nuevos. Entonces, estamos diciendo que la máquina “aprende sola” gracias al Machine Learning, pero, ¿dejamos a la máquina a su libre albedrío?
Bueno, los procesos de aprendizaje se pueden supervisar o no. Ahora nos vamos a ceñir a las diferencias entre Machine Learning vs Deep Learning, así que tendríamos que crear un artículo nuevo porque la supervisión o no supervisión, un tema muy interesante.
Llegados hasta aquí, ¿cómo funciona un algoritmo de Machine Learning típico?
Por ejemplo, queremos predecir el coste de una hipoteca variable, teniendo en cuenta la tendencia del Euribor los últimos años. A la hora de definir la función, pondremos coste = y + x * tendencia del Euribor en los últimos 5 años. Después, daremos a nuestro algoritmo un conjunto de datos de entrenamiento.
El algoritmo dibujará una línea a través de una regresión para, luego, darle nosotros unos datos de prueba, como puede ser la media del Euribor en los últimos 5 años para dejarle que prediga su precio en los próximos años.
Cierto es que el ejemplo que he puesto no sea el más adecuado porque si algo tienen en común los valores en bolsa, es que se rigen por fuerzas que están más allá de la estadística. Sin embargo, creo que se ilustra bien lo que queremos decir y las variables utilizadas.
Qué es el Deep Learning
El Deep Learning es un modelo de entrenamiento de inteligencia artificial, pero si hablamos de algoritmos… los de Deep Learning son la evolución definitiva y compleja de los de Machine Learning. Aun así, debemos tener claro que el Deep Learning es un campo especializado dentro del Machine Learning.
Los algoritmos de Deep Learning analizan datos en base a una estructura lógica muy similar a los humanos, de cara a la toma de decisiones. Aquí es donde entra la estructura en capas de algoritmos llamada Artificial Neural Network, que en español es red neuronal artificial.
Para diseñar esto, se tuvo en consideración la red neuronal de nuestro cerebro humano, trayendo como consecuencia un proceso de aprendizaje mucho más capaz que el del Machine Learning.
Una red neuronal artificial simple funciona con 4 capas:
- Capa de entrada.
- Capa escondida nº1.
- Capa escondida nº2.
- Capa de salida.
Podéis llamarlo capas o filtros, pero lo que importa es que entendáis cómo funcionan las del medio. Las capas ocultas o escondidas son valores calculados que se usan en la red, y cuantas más haya, más profundas serán. En definitiva, con 2 o más capas ocultas podemos hablar de ANN.
Vamos con un ejemplo sencillo: la detección de señales de velocidad máxima en las carreteras. Muchos coches de gama alta tienen cámaras en el frontal que son usadas para distintos fines, y uno de ellos es el reconocimiento de señales de tráfico.
La cámara reconocerá las señales por su forma (redonda), seguida de un patrón de colores (blanco y rojo); todo ello sin olvidar los puntos, bordes o determinadas marcas porque existen señales que están más desgastadas que otras. A todo esto se le denominan “características”, y lo “caraterístico” del Deep Learning es que no necesita que nadie cree un algoritmo, sino que la ANN puede aprender a detectar todo:
- La primera capa oculta puede detectar los bordes.
- La segunda diferenciar colores.
- La tercera detectar desgastes de óxido.
Si estuviéramos hablando de Machine Learning, un ingeniero software tendría que seleccionar estas características para el algoritmo.
Deep Learning vs Machine Learning, todas las diferencias
En primer lugar, el Deep Learning no deja de ser un algoritmo del Machine Learning, siendo un campo especializado dentro de éste. Al contrario, el Machine Learning es un subconjunto de la IA.
Lo que le hace especial al Deep Learning es la ANN: evita la intervención humana en el proceso y requiere grandes cantidades de datos. Esto le permite aprender por sí solo y entrenar con más precisión. Sin embargo, para todo esto se necesita una GPU especializada, y si hablamos de Deep Learning… NVIDIA tiene el reino entero.
Respecto al Machine Learning, es interesante para entrenar menos datos, pero requiere una intervención humana para aprender. Sí es cierto que no necesita una GPU para poder entrenar, sino que solo necesita una CPU.
Por tanto, esta comparativa Deep Learning vs Machine Learning debe resolverse aclarándose ambos conceptos y relacionándolos entre sí porque no son tecnologías completamente diferentes la una de las otras.
Si os interesa el Deep Learning, y queréis ponerlo a prueba… no hay mejor ocasión que con las tarjetas gráficas NVIDIA que hacen uso de DLSS. No te pierdas nuestra selección de RTX 3000 y RTX 4000.