Aplicación y clasificación de las técnicas de Deep Learning

Me gustaría comentar en este artículo, algunas aplicaciones y clasificación de diferentes técnicas de Deep Learning. Lo primero de todo, y antes de centrarnos en la clasificación de las técnicas de Deep Learning, sí que creo que es importante hacer un pequeño inciso y hablar sobre la relación de los algoritmos de Deep Learning y ese conjunto de datos de entrenamiento o de experiencia pasada que vamos a requerir para entrenar nuestro algoritmo.

Bien, fijaros, para que los algoritmos de Deep Learning funcionen adecuadamente se requiere un conjunto de datos grande. Esto es algo fundamental para que básicamente estos algoritmos de Deep Learning puedan realizar esa extracción de características sencillas, luego más complejas y realizar una predicción adecuada, pues van a necesitar un montón de datos.

Nuestro algoritomo va a necesitar un montón de ejemplos de experiencia pasada de los que puedan aprender y obtener esas intuiciones que les servirán para realizar una predicción adecuada.

Concretamente, fijaros que si nosotros lo comparamos con técnicas tradicionales de machine learning, que es precisamente lo que aparece en este diagrama de arriba, aparece por un lado en el eje horizontal, el tamaño de nuestro conjunto de datos, que es más grande a medida que avanzamos hacia la derecha. Y por otro lado, en el eje vertical en donde tenemos el rendimiento de nuestro algoritmo de machine learning o deep learning. Es decir, cómo de bien realiza predicciones que a medida que avanzamos hacia arriba es mayor, de acuerdo? Es decir, se comporta mejor.

Fijaros que es bastante interesante ver esta gráfica porque nos demuestra como las técnicas tradicionales de Machine Learning que vemos en este caso representadas en rojo, vemos como para volúmenes más pequeños de conjuntos de datos se comportan bastante mejor que las técnicas de Deep Learning, como pueden ser redes neuronales pequeñitas o redes neuronales ya más profundas, más largas.

Vale, por lo tanto, todas esas técnicas clásicas de Machine Learning todavía siguen siendo de mucha utilidad en la actualidad.

¿Por qué? pues porque muchas veces es complicado ser capaces de obtener un conjunto de datos que sea suficientemente grande. Cuando hablamos de un conjunto de datos suficientemente grande para un algoritmo de Deep Learning, estamos hablando a lo mejor de un millón de ejemplos o más, en serio!!!! OMG.

Con lo cual, si quisiésemos, por ejemplo, identificar transacciones bancarias fraudulentas, necesitaríamos recopilar un millón de transacciones pasadas etiquetadas como fraudulentas, fraudulentas o legítimas. Y probablemente, si nosotros tenemos un conjunto de datos pequeñito, pues a lo mejor con cuarenta mil ejemplos, diez mil ejemplos, incluso cien mil ejemplos. Una técnica de Machine Learning tradicional, pueda servirnos y pueda darnos incluso mejores resultados que una red neuronal profunda, uuuuyeahhhh!!!.

De hecho, eso es lo que se muestra aquí cuando tenemos pocos datos. Las técnicas de Machine Learning funcionan mejor. Sin embargo, podéis ver cómo a medida que vamos avanzando en el tamaño de nuestro conjunto de datos de entrenamiento, lo que va pasando es que las redes neuronales profundas, las técnicas de Deep Learning, van funcionando mucho mejor y proporcionándonos un rendimiento más alto, eso siiii molaaaa!.

De hecho, cuanto más grande sea nuestro conjunto de datos, mejor funcionarán. Como podemos observar en con la línea azul las redes neuronales profundas y superarán en rendimiento tanto a redes más sencillas como a técnicas clásicas de Machine Learning. Siempre debemos ser conscientes de las intersecciones de acuerdo, porque entrenar una red neuronal profunda o entrenar una red neuronal más sencillita no es lo mismo en términos de rendimiento, en términos de consumo de recursos computacionales, pues es muy diferente, entrenar una red neuronal muy profunda puede llevarnos mucho tiempo.

Si no tenemos el equipo adecuado, puede llevarnos días, semanas o incluso más. Bien!! con lo cual es importante siempre comprender dónde se encuentra aproximadamente estos puntos de corte, porque seguramente en muchas ocasiones nos resulte más rentable, más eficiente, utilizar técnicas que sean más sencillas, pero que para nuestro volumen de conjunto de datos, pues nos van a proporcionar mejores resultados y además más rápido.

Bien, pues una vez presentada la relación que hay entre el conjunto de datos y las diferentes técnicas de Machine Learning, Deep Learning que podemos aplicar, sí que me gustaría dar un pequeño repaso a algunas de las aplicaciones más importantes que tienen a día de hoy las técnicas de Deep Learning. Bien, el Deep Learning ha conseguido resultados excelentes en áreas complejas que no podían resolverse adecuadamente con técnicas de Machine Learning.

Para muchos de estos problemas será bastante difícil hacer esa extracción de características y sobretodo que fuesen características significativas del problema y que nos permitiesen resolverlo bien.

Por ejemplo, qué problemas tenemos? Pues anuncios dirigidos y marketing. Una de las cosas que más beneficios respecto al uso de técnicas de deep learning clasificación de imágenes, reconocimiento de audio, traducción automática avanzada, conversión de texto a voz, conducción autónoma que al final acaba traduciéndose de alguna manera, pues la clasificación y detección de imágenes. Y bueno, en general, cualquier problema que sea bastante complejo sea difícil realizar una extracción manual de características que nos permitan por resolver ese problema que se corresponde concretamente con todos estos problemas.

Bien. Y qué tipo de redes neuronales profundas o qué tipo de algoritmos de deep learning van a solucionar o van a comportarse adecuadamente para este tipo de problemas? Pues bien, lo que vemos aquí son los tipos de redes neuronales concretamente, que se comportan bien para cada uno de los problemas.

Las redes neuronales profundas se comportan bien para anuncios dirigidos y marketing. Tenemos otro tipo de red neuronal profunda que son la red neuronal convolucionales. Es un tipo específico que se comporta muy bien para la clasificación de imágenes y reconocimiento de audio.

Tenemos redes neuronales recurrentes que se comportan muy bien para la traducción automática avanzada conversión de texto a voz también para el reconocimiento de audio. Tenemos redes generativas antagónicas, lo que son las GAN’s, que son relativamente nuevas y que son las que se utilizan para todo esto de simulación de fotos Fake News. Coger la cara de una persona y transformarla en otra persona. Bueno, todo esto que vemos a día de hoy en muchas aplicaciones comerciales se genera con este tipo de algoritmos.

En el fondo las redes neuronales artificiales profundas, que tienen alguna particularidad específica que las hace comportarse mejor para estos problemas en concreto. Pero no debemos olvidar que la base de todas ellas es lo que vamos a tratar. Por lo tanto, si no has visto nunca redes neuronales profundas en detalle, es esencial que antes de que aprendas sobre redes neuronales convencionales, recurrentes, etcétera, debemos comprender muy bien en qué consiste una red neuronal artificial, una red profunda o una neurona artificial. Venga que es sábado por la mañana y nos queda a nocheeee uuuyeahhhh!!! chaval@s.