El aprendizaje profundo o deep learning, es una parte de la inteligencia artificial que está adquiriendo mucha relevancia. A través de éstos procedimientos las máquinas pueden ser entrenadas para hacer un determinado trabajo. De esta forma, no es la persona la encargada de programar las instrucciones necesarias para que la máquina pueda desarrollarlo, sino que a través de mostrarle modelos, la máquina va definiendo el procedimiento y va aprendiendo.
Esto se parece mucho a lo que sería el proceso de aprendizaje humano, o al menos, al proceso de aprendizaje básico de algunos seres vivos. A pesar de esto, es una rama de la inteligencia artificial que tiene ciertas limitaciones y críticas en su estado actual.
Una de las principales críticas al aprendizaje profundo es la falta de transparencia de los procesos o lo que se definiría como el problema de la caja negra. En el proceso de aprendizaje, la máquina va sacando conclusiones y ajustando los parámetros que le hacen tomar decisiones. Pero éstos nos quedan ocultos o son tal la cantidad de parámetros que se ven influenciados que es una tarea titánica conocer cuál o cuales han tenido mayor peso en la decisión. Esto no representa un problema cuando las decisiones que tiene que tomar son triviales, como traducir una frase o seleccionar un objeto, pero sí en el caso de que sean decisiones más complejas como aquellas que puedan poner en riesgo la vida, como en el caso de vehículos autónomos, la identificación de enfermedades o aquellas con un fuerte impacto económico o social.
Relacionado con lo anterior es que una maquina actual nos podría dar una solución ante un problema, pero no es capaz de decirnos por qué ha tomado esa decisión, con lo cuál es muy complicado discernir ante un hecho importante si el resultado obtenido es totalmente cierto. Por ejemplo, si se utiliza para analizar la bolsa, el sistema podría darnos pautas para analizar una evolución de un determinado valor, pero no sabría darnos la causa de por qué espera esa evolución.
Necesita muchos datos, recursos y procedimientos de cálculo. Para conseguir unos buenos resultados es necesario un buen entrenamiento, lo que significa poder aportarle muchos datos. Por otro lado, cuantas más neuronas y capas estén implicadas, los ajustes serán más finos. Estas dos cosas unidas hacen también que precise de un gran procedimiento de cálculo para manejar y tratar la información.
Otra de las dificultades del aprendizaje profundo es la especificidad del aprendizaje. Cuando entrenamos una máquina para que haga un determinado aprendizaje. Al final puede llegar a ser buena en ese cometido, pero ante cualquier proceso de aprendizaje diferente, o con modelos diferentes requerirá un nuevo entrenamiento.
Relacionado con lo comentado en el párrafo anterior está el hecho de la dificultad de extrapolación del aprendizaje. Si cambiamos el entorno, o introducimos un elemento que no haya sido trabajado en el proceso de aprendizaje, el resultado puede ser erróneo o no esperado. Lo mismo si se le presentan elementos con cierta variación. En este caso resulta sencillo poder engañar a una máquina con este proceso.
Estas limitaciones es de esperar que se puedan ir solventando en el futuro con la mejora de los procesamientos, o como también se propone, con un aprendizaje híbrido, a través de redes neuronales y enfoques simbólicos.
Bibliografía:
https://www.uoc.edu/portal/es/news/entrevistes/2021/043-gereziher-adhane.html
0 comentarios