¿Qué es el aprendizaje automático?

¿Qué es el aprendizaje automático?

El aprendizaje automático es una rama de la inteligencia artificial (AI, Artificial Intelligence) que se ocupa de los algoritmos informáticos que pueden mejorarse a sí mismos a través de datos de entrenamiento, sin la necesidad de programaciones explícitas. Muchos lo consideran como el camino más prometedor para alcanzar la verdadera inteligencia artificial, similar a la de los seres humanos. 

En líneas generales, los algoritmos de aprendizaje automático pueden clasificarse en las siguientes tres categorías:

• Aprendizaje supervisado: se proporcionan etiquetas y ejemplos de entradas junto con los resultados deseados, lo que le permite al algoritmo aprender las reglas que asignan las entradas a los resultados.  
• Aprendizaje no supervisado: no se proporcionan etiquetas, de manera que el algoritmo puede encontrar su propia estructura para procesar entradas (p. ej., descubrir patrones ocultos en los datos).
• Aprendizaje por refuerzo: con un objetivo específico, como ganar un juego o conducir un auto, el algoritmo interactúa de forma constante con un entorno dinámico. El algoritmo se aproxima a la solución óptima del problema mediante repetidas pruebas y errores.

En este artículo, encontrará una breve descripción general del aprendizaje automático y el aprendizaje profundo, así como las diferencias entre ambos conceptos.

¿Qué es el aprendizaje profundo?

El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales para asemejarse a la inteligencia humana. Inspirado por las neuronas humanas, el aprendizaje profundo utiliza la teoría de grafos para organizar los algoritmos de ponderación en capas de nodos y aristas. Los algoritmos de aprendizaje profundo son excelentes para procesar datos sin estructurar, como imágenes o el lenguaje. 

En teoría, para que una red neuronal reciba la clasificación de “profunda” debe contener capas ocultas entre las capas de entrada y de salida de un perceptrón, la estructura base de una red neuronal. Se considera que estas capas están “ocultas” debido a que no tienen conexión alguna con el mundo exterior. Entre los ejemplos de arquitecturas de aprendizaje profundo se incluyen los siguientes:

• Feed-forward (FF): los datos se desplazan en una única dirección desde la capa de entrada, a través de las capas ocultas, hasta salir por la capa de salida. Todos los nodos están conectados y los datos nunca vuelven a pasar por las capas ocultas. La FF se utiliza en la compresión de datos y en el procesamiento básico de imágenes. 
• Redes neuronales recurrentes (RNN, Recurrent Neural Networks): es un tipo de red FF que añade una demora de tiempo a las capas ocultas para poder acceder a información previa durante una iteración actual. Este circuito de retroalimentación se asemeja a la memoria y hace que las RNN sean una herramienta excelente para el procesamiento del lenguaje.  Un buen ejemplo de esto es el texto predictivo, que se basa en las palabras que usted utiliza con mayor frecuencia para personalizar las sugerencias. 
• Redes neuronales convolucionales (CNN, Convolutional Neural Networks): una convolución es una operación matemática sobre dos funciones que produce una tercera función, la cual describe cómo una modifica a la otra. Las CNN se utilizan principalmente para el reconocimiento y la clasificación de imágenes, y se las consideran los “ojos” de la AI. Las capas ocultas en una CNN funcionan como filtros matemáticos que utilizan sumas ponderadas para identificar los bordes, los colores, los contrastes y demás elementos de un pixel.

Aprendizaje automático vs aprendizaje profundo

El aprendizaje profundo se considera una subcategoría del aprendizaje automático. La diferencia principal que distingue a los algoritmos de aprendizaje profundo de otros algoritmos de aprendizaje automático es el uso de redes neuronales artificiales. Asimismo, la característica principal que hace que una red neuronal se considere “profunda” es la presencia de capas ocultas entre las capas de entrada y de salida que conforman un perceptrón básico.

Beneficios del aprendizaje profundo

Los algoritmos del aprendizaje profundo son excelentes para procesar los datos sin estructurar, siempre que se cuente con la capacidad de procesamiento para hacerlo. Debido a esto, cuando se trata del aprendizaje no supervisado y por refuerzo, el aprendizaje profundo cuenta con ventaja sobre los otros algoritmos de aprendizaje automático. Los avances recientes de la AI son, en gran parte, gracias al aumento de la viabilidad de las redes neuronales de aprendizaje profundo, producto de las mejoras en la capacidad de procesamiento y en el almacenamiento de datos.

Cómo potencia Pure Storage las aplicaciones de aprendizaje automático

Pure Storage® se encuentra en una posición única que le permite aprovechar y respaldar el mundo de la AI. Las redes neuronales de aprendizaje profundo requieren de datos que sean grandes y rápidos. En Pure, las soluciones de almacenamiento basado íntegramente en tecnología flash combinan el rendimiento del 100 % de la memoria flash de NVMe con el análisis predictivo accionado por la AI, con el fin de ofrecer una Modern Data Experience™. Con Pure, podrá realizar lo siguiente:

• Consolidar los silos de almacenamiento de datos en un hub de datos unificado.
• Acelerar el tiempo de los resultados con los análisis de registros en tiempo real.
• Experimentar el futuro de la administración del almacenamiento de datos impulsada por la AI con Pure1 Meta®.
• Potenciar las soluciones de AI con AIRI®, una solución de pila completa y de infraestructura lista para la AI de Pure Storage y NVIDIA.
• Obtener soporte de pila completa para los ciclos de vida de AI y de aprendizaje automático con FlashStack®, una solución de infraestructura convergente que se desarrolló en sociedad con Cisco.