XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 16 3. Machine Learning semisuper- visado: este enfoque ofrece una alternativa entre el supervisado y el no supervisado. Durante el entre- namiento, utiliza un conjunto de datos etiquetados más pequeño para guiar la clasif icación y la extracción de características de un conjunto de datos más grande y sin etiquetar. El Machine Learning semisupervisado puede resolver el problema de no tener suficien- tes datos etiquetados (o no poder permitirse etiquetar suficientes datos) para entrenar un algoritmo de aprendizaje supervisado. 4. Machine Learning por refuerzo: el Machine Learning por refuerzo es un modelo de Machine Learning de comportamiento que es similar al aprendizaje supervisado, pero el algoritmo no se entrena usando datos de muestra. Este modelo aprende sobre la marcha mediante el uso de ensayo y error. Se refor- zará una secuencia de resultados exitosos para desarrollar la mejor recomendación o política para un problema determinado. ¿QUÉ ES EL DEEP LEARNING? El Deep Learning es un subconjunto del Machine Learning en el que las redes neuronales de múltiples capas —modeladas para funcionar como el cerebro humano— aprenden a partir de grandes cantidades de datos. Dentro de cada capa de la red neural, los algoritmos de Deep Learning realizan cálculos y hacen predicciones repetida- mente, aprendiendo progresivamente y mejorando gradualmente la precisión del resultado a lo largo del tiempo. De la misma manera que el cerebro humano absorbe y procesa la infor- mación que entra en el cuerpo a través de los cinco sentidos, el Deep Learning ingiere información de múl- tiples fuentes de datos y la analiza en tiempo real. El Deep Learning impulsa muchas aplicaciones y servicios de inteligencia artificial (IA) que mejoran la automa- tización, realizando tareas analíticas y físicas sin intervención humana. La tecnología de Deep Learning se encuentra detrás de los productos y servicios cotidianos (como los asisten- tes digitales, los mandos a distancia de televisión con capacidad de voz y la detección de fraudes con tarjetas de crédito), así como de las tecnologías emergentes (como los coches que se conducen solos). DEEP LEARNING VS MACHINE LEARNING Si el Deep Learning es un subconjunto del Machine Learning, ¿en qué se dife- rencian? En los términos más simples, lo que diferencia al Deep Learning del resto del Machine Learning son los datos con los que trabaja y cómo aprende. Mientras que todo el Machine Learning puede trabajar y aprender de datos estructurados y etiquetados, el Deep Learning también puede ingerir y procesar datos no estructurados y no etiquetados. En lugar de basarse en etiquetas dentro de los datos para identificar y clasificar objetos e infor- mación, el Deep Learning utiliza una red neural de múltiples capas para extraer las características de los datos y mejorar cada vez más la identifica- ción y clasificación de los datos por sí mismo. Por ejemplo, las aplicaciones de voz a texto de hace 10 años (en las que los usuarios tenían que entrenarse pronunciando decenas de palabras en la aplicación y, en el proceso, eti- quetar sus propios datos de voz) son ejemplos de Machine Learning. Las aplicaciones de reconocimiento de voz actuales (entre ellas Siri de Apple, Amazon Alexa y Google Assistant), que pueden reconocer los comandos de voz de cualquier persona sin necesidad de una sesión de entrenamiento espe- cífica, son ejemplos de Deep Learning. En términos más técnicos, mientras que todos los modelos de Machine Learning son capaces de un apren- dizaje supervisado (que requiere la intervención humana), los modelos de Deep Learning también son capaces de un aprendizaje no supervisado. Pueden detectar características o patrones previamente no detectados en datos que no están etiquetados, con el mínimo de supervisión humana. Los modelos de Deep Learning también son capaces de reforzar el aprendi- zaje: un proceso de aprendizaje no supervisado más avanzado en el que Figura 2: Comparativa visual entre el Deep Learning y el Machine Learning.