Las redes neuronales de aprendizaje profundo imitan los procesos de toma de decisiones del cerebro humano mediante una serie de cálculos que permiten llegar a una conclusión.
Las máquinas pueden procesar cantidades ingentes de datos que los seres humanos no pueden, pero se necesitan estructuras de gobernanza sólidas para garantizar resultados positivos.
El aprendizaje profundo puede mejorar la productividad, aumentar la retención e impulsar los ingresos si las empresas aprovechan los datos.
Cuando «analizas» un problema o una cuestión que requiere una decisión, probablemente sientes que sigues una lista lineal de pasos. Pero así no funciona el cerebro humano: procesa la información de forma no lineal. Y, en esencia, así funciona también el aprendizaje profundo, una rama de la inteligencia artificial (IA).
El aprendizaje profundo funciona como el cerebro humano
En esencia, el aprendizaje profundo aprende a partir de ejemplos, como lo hace el cerebro humano. Imita la forma en que las personas adquieren ciertos tipos de conocimiento. Como procesa la información de manera similar, puede utilizarse para realizar tareas que las personas pueden hacer; por ejemplo, aprender a conducir un coche o identificar un perro en una imagen.
El aprendizaje profundo también se utiliza para automatizar el análisis predictivo; por ejemplo, para identificar tendencias y patrones de compra de los clientes, de modo que una empresa pueda captar más clientes y conservar a más de ellos. ¿Conoces esas secciones de las tiendas en línea que muestran artículos «comprados juntos con frecuencia» cuando estás comprando un destornillador nuevo? Se basan en algoritmos predictivos de aprendizaje profundo que han tenido en cuenta tanto tu búsqueda actual como tus patrones de compra anteriores para sugerirte otros productos que también podrías necesitar.
Otras aplicaciones abarcan muchas actividades y situaciones cotidianas, como los asistentes virtuales, la detección del fraude, la traducción de idiomas, los chatbots y los bots de servicio, la colorización de imágenes en blanco y negro, el reconocimiento facial y el diagnóstico de enfermedades.
Un ejemplo sencillo de aplicación de una red neuronal es la interpretación del habla. La red recibe sonidos del audio sin procesar, que se combinan para formar sílabas; estas se combinan para formar palabras, que a su vez se combinan para formar frases que desencadenan acciones. La máquina aprende que ese sonido en particular significa que debe mostrar el saldo de una tarjeta de crédito y, cuantas más veces se le pide lo mismo, más precisa se vuelve.
El aprendizaje profundo tiene aplicaciones en todos los sectores
Las redes neuronales no son nuevas: existen desde la década de 1940. En 1943, dos científicos informáticos presentaron modelos de redes neurológicas, recrearon interruptores de umbral basados en neuronas y demostraron que incluso las redes más sencillas de este tipo pueden calcular casi cualquier función lógica o aritmética.
Los primeros precursores de la computadora fueron desarrollados por un científico informático que se había cansado de calcular a mano trayectorias balísticas. Hoy, más de 70 años después, el aprendizaje profundo ha avanzado enormemente en sofisticación y uso, principalmente gracias al aumento de la capacidad informática (junto con una gran reducción de los costes por unidad de potencia), a mejores modelos y a la disponibilidad de datos. El aprendizaje profundo requiere cantidades ingentes de datos. Actualmente, se estima que los datos que generamos cada día ascienden a 2,6 trillones de bytes. Y puede analizar conjuntos de datos masivos mucho más rápido que una persona. Las máquinas no sufren monotonía ni fatiga.
¿Existen riesgos asociados al aprendizaje profundo?
Respondamos a esa pregunta con el ejemplo de los vehículos autónomos. El aprendizaje profundo nos ha dado estos coches autónomos, pero parece poco probable que eliminen todos los accidentes de tráfico, algo que equivaldría a una utopía de conducción autónoma. De hecho, un estudio reciente del Instituto de Seguros para la Seguridad en las Carreteras (IIHS) afirma que los vehículos autónomos quizá solo evitarían alrededor de un tercio de todos los accidentes. Aun así, eso es más de lo que consiguen las personas.
Sin embargo, entre las preocupaciones sobre su adopción generalizada también puede figurar un aumento de los accidentes durante las primeras etapas de su implementación, mientras la tecnología aprende; que las decisiones morales queden en manos de los fabricantes; y la dificultad para atribuir la responsabilidad de los accidentes. También está el riesgo de los ataques informáticos, porque, al fin y al cabo, el aprendizaje profundo no es más que tecnología alojada en un vehículo. En marzo de 2019, dos hackers de «sombrero blanco» (los buenos) solo necesitaron unos minutos para acceder al ordenador de un Tesla a través del navegador del sistema de infoentretenimiento, ejecutar su propio código y hacer que el coche respondiera a sus órdenes.
También debemos considerar el uso del aprendizaje profundo desde el punto de vista del consumidor. Si no «funciona» —por ejemplo, si un teléfono no se desbloquea—, puede generar un cliente insatisfecho o frustrado, con lo que se pierde el propósito. El problema se agrava porque, dada la complejidad de las redes neuronales del aprendizaje profundo, puede ser difícil saber dónde o por qué falló el sistema. A menudo descrita como la caja negra del aprendizaje profundo, esta cuestión está llevando a los científicos de datos a trabajar para mejorar la visibilidad y la transparencia sobre el funcionamiento de los modelos de aprendizaje profundo.
Los modelos también pueden incorporar sesgos de forma involuntaria; y estos modelos de aprendizaje profundo se utilizan para tomar decisiones importantes, como quién obtiene préstamos, empleos o la libertad condicional. El aprendizaje profundo necesita límites claros y estructuras de gobernanza adecuadas.
El aprendizaje profundo es el futuro de los negocios
El aprendizaje profundo nos ha proporcionado búsquedas de productos basadas en imágenes —Pinterest, por ejemplo— y formas eficientes de clasificar frutas y verduras para reducir los costes laborales. Lo primero ofrece una mayor comodidad al consumidor, mientras que lo segundo constituye un verdadero caso de uso empresarial para mejorar la productividad.
Se están destinando recursos considerables al aprendizaje profundo en los servicios financieros, donde se utiliza para detectar fraudes, reducir riesgos, automatizar operaciones bursátiles y ofrecer «asesoramiento robótico» a los inversores. Según un informe de la Unidad de Inteligencia de The Economist (EIU), el 86 % de las empresas de servicios financieros tiene previsto aumentar sus inversiones relacionadas con la IA para 2025.
Integrar la IA en toda tu empresa puede potenciar la diferenciación y la competitividad, aumentar la productividad, influir en la retención e incluso cambiar el curso de las enfermedades; y esto ya está ocurriendo en todos los sectores y en todos los ámbitos empresariales.
Está influyendo en todo, desde la recreación de los modelos de negocio y operativos hasta las estrategias de contratación y retención, así como en la creación de nuevas culturas corporativas que no solo adoptan el aprendizaje profundo, sino que también permiten utilizarlo. Sin embargo, según algunas estimaciones, se utiliza menos del 1 % de los datos de la mayoría de las organizaciones, a pesar de que hay cantidades ingentes de datos disponibles para tomar decisiones transformadoras. ¿Cuándo empezarás a aprovechar los tuyos y a utilizarlos?
