Con el Deep Learning es el propio sistema el que crea los parámetros

En los algoritmos previos al llamado Deep Learning los parámetros eran establecidos por humanos: se crea una base de datos que incluye imágenes de vehículos, marcas, modelos, logotipos, etc. Cuanto más detallados sean los parámetros y más identificables en una escena, mayor será el porcentaje de acierto. Las principales debilidades de estos sistemas son que la recopilación de datos es, por definición, interminable, y que el resultado siempre va a depender de la experiencia y capacidad de su creador, e incluso de la suerte. Por otra parte, estos algoritmos son muy eficaces en clasificaciones sencillas: el objeto es un vehículo o no lo es. Pero presentan ciertas dificultades cuando es necesario establecer un número más amplio de categorías.

En el caso del Deep Learning es el propio sistema el que crea los parámetros. Puede incluir cientos, hasta los más complejos de describir. La estructura del Deep Learning está inspirada en las redes neuronales humanas. Realiza un reconocimiento más profundo de la información que recibe y tiene capacidad de abstracción y recreación.

Algunos de los beneficios más directos de los algoritmos del Deep Learning son que alcanza o incluso supera la capacidad de reconocimiento humano, muestra una gran capacidad anti-interferencias y ofrece la posibilidad de clasificar y reconocer miles de parámetros. En los últimos años, tres factores han propiciado el desarrollo del Deep Learning: el incremento del big data, la mejora de los equipos y las arquitecturas de red.