IA, machine learning y aprendizaje profundo

Objetivo: situar el deep learning, entender qué cambia y evitar el reflejo «red neuronal para todo». Duración: 35 minutos.

1. Las muñecas rusas

La inteligencia artificial agrupa las técnicas que permiten a una máquina realizar una tarea asociada a la inteligencia. El machine learning es una parte de la IA en la que las reglas se ajustan a partir de datos. El aprendizaje profundo es una parte del machine learning que aprende con redes que tienen varios niveles de transformación.

IA ⊃ Machine Learning ⊃ Deep Learning

La palabra profundo describe el número de etapas de representación, no una profundidad de pensamiento. Una imagen puede convertirse sucesivamente en: píxeles → contornos → texturas → partes → objeto.

2. Lo que aporta el deep learning

Los métodos clásicos suelen exigir que el humano construya las variables útiles. Una red profunda puede aprender una parte de esa representación directamente a partir de los datos brutos. Esta propiedad es particularmente útil para imágenes, sonido, texto y señales complejas.

3. El precio a pagar

Las redes profundas suelen requerir más datos, más cálculo y más experimentación. Son sensibles al protocolo, a la inicialización y a la tasa de aprendizaje. Un modelo más grande no es ni automáticamente más acertado, ni automáticamente más útil.

Errores frecuentes

• Confundir rendimiento de demostración y valor de negocio.
• Comparar una red optimizada con una baseline clásica descuidada.
• Utilizar el conjunto de prueba durante las decisiones de arquitectura.
• Creer que «profundo» significa «autónomo» o «consciente».

Comprobación rápida

1. ¿Es el deep learning una familia distinta del machine learning?
2. ¿Por qué es fuerte en datos no estructurados?
3. Cita un caso en el que probablemente sea excesivo.

Actividad de dominio — Nota de decisión

Elige tres casos: una tabla de churn, radiografías y una regla fiscal exacta. Para cada uno, propón la solución más simple, una baseline, la prueba esperada y un criterio de parada. Entregable: una tabla de una página. Éxito: ninguna solución se elige únicamente porque sea «moderna».

Mapa de decisión: ¿qué paradigma elegir?

Lectura: el deep learning no es una elección automática. La naturaleza de los datos, la cantidad de supervisión, el presupuesto de cálculo y el costo de explotación determinan la solución. La trampa principal consiste en seleccionar la arquitectura más compleja antes de establecer una baseline medible.