La mayoría de vosotros seguramente ya habréis leído acerca de los grandes avances recientes en inteligencia artificial. Business Intelligence y Deep learning son dos términos de moda dentro de este sector. En esta serie de post, trataremos de explicar de qué se trata, sus aplicaciones y metodología. Hoy comenzaremos hablando sobre las redes neuronales artificiales.
Para comenzar vamos a definir el concepto de Deep Learning:
El Deep learning (o aprendizaje profundo) es un conjunto de algoritmos de aprendizaje automático que permite a través de un entrenamiento basado en datos de estimar la respuesta a nuevas entradas no analizadas con anterioridad, es decir, son modelos capaces de predecir la respuesta a nuevos patrones de entrada. Las arquitecturas de los modelos de aprendizaje profundo son redes neuronales profundas y han sido aplicadas exitosamente a campos como visión por computador, reconocimiento automático del habla, estrategias de negocios, etc., habiendo mostrado resultados equiparables o superiores a los humanos en diversas tareas.
¿Qué son exactamente las redes neuronales artificiales y qué cambios está trayendo al sector del marketing?
Uno de los grandes nombres detrás de esta revolución es el de Geoffrey Hinton, científico inglés quien allá por el año 1986 fuera uno de los impulsores de las redes neuronales multicapas (ahora llamadas poco-profundas), y que si bien tuvieron un gran impacto en su momento, este estuvo mayoritariamente circunscripto a la investigación y aplicaciones no-masivas.
Por supuesto, en esa época recién arrancaba internet, lo del Big Data no existía y la inteligencia artificial parecía todavía algo que sólo habíamos visto en el cine.
¿Qué ha cambiado desde entonces?
Para poder hablar de esto, tenemos que adentrarnos en el mundo de las redes neuronales y en la forma en que procesa la información nuestro cerebro, principalmente en cuanto a la parte visual que es la que mejor conocemos.
Las redes neuronales artificiales son modelos matemáticos inspirados en el funcionamiento de la corteza cerebral de los mamíferos. Constaría de un gran número de pequeños procesadores (neuronas) interconectados que a través de un proceso de aprendizaje logran clasificar la información en categorías.
Una de sus mayores virtudes es que son capaces de predecir resultados para patrones de información nuevos. Por ejemplo, se puede analizar no sólo el comportamiento observado de los consumidores, si no estimar cómo será su comportamiento en el futuro de una manera bastante acertada.
¿Cómo funcionan las redes neuronales artificiales?
Estas tendencias han llamado la atención de las grandes empresas tecnológicas y de ahí que esté ocurriendo la revolución actual. Pero antes de ver la infinidad de aplicaciones comerciales, sigamos un poco más con el funcionamiento de las redes neuronales artificiales. Vamos a organizar nuestra red neuronal artificial en capas, lo que va a realizar nuestro sistema en las primeras fases va a ser construir un diccionario analizando la información que le hemos suministrado a partir de nuestros datos.
Para poder explicarlo de la manera más clara posible, pondremos como ejemplo el caso de una tarea de reconocimiento de imágenes, siendo en este caso la predicción la estimación correcta de la categoría a la que pertenece una nueva imagen. La red neuronal recibe en la entrada un conjunto de valores de los píxeles de las imágenes, con la intención de realizar una categorización automática de las mismas (algo en las que las empresas de venta de productos como Amazon están muy interesadas, y de hecho lo utilizan).
Capas de una red neuronal artificial
- En la primera capa de neuronas, el sistema realizará una detección de bordes, y para ello construirá neuronas que puedan detectar líneas rectas con diferentes longitudes y orientaciones (será el alfabeto), de manera que cuando presentemos una imagen, se activarán las neuronas que han detectado esos trazos en alguna parte de la imagen original.
- A partir de ahí, en las sucesivas capas, iremos construyendo características de las imágenes a partir de nuestro abecedario cada vez con mayor complejidad: a partir de la unión de dos líneas formaremos ángulos, y a partir de ángulos podremos ir formando figuras.
- Finalmente en nuestra penúltima capa se obtendrán una serie de prototipos de imágenes las cuales se clasificarán en las categorías deseadas. Como parece un poco complicado veámoslo con la siguiente figura:
La figura muestra un esquema de red neuronal que acepta imágenes en la entrada e intentará clasificarlas en dos categorías: animales o paisajes. Cada capa de la red neuronal va detectando diferentes componentes de la imagen en una forma jerárquica, hasta llegar a la capa en la cual se realiza la clasificación de la imagen en las dos categorías.
¿Cómo se logra que la red neuronal realice de forma correcta esta tarea?
Ajustando el valor de las conexiones entre las neuronas durante un proceso de entrenamiento en el cual le enseñamos a través de datos lo que la red debe hacer.
Dejemos ya de lado la teoría y centrémonos ahora en las aplicaciones prácticas:
El Deep Learning ha logrado en los últimos años tener una performance del orden de los humanos o superior en tareas de reconocimiento de imágenes y reconocimiento de voz. También ha destacado en otras tareas cómo las de jugar a juegos de mesa (Ajedrez, Go) y juegos por ordenador.
Las aplicaciones en automatización de procesos en páginas web, robótica, atención a usuarios, etc. son infinitas y por eso los cinco gigantes tecnológicos (Google, Facebook, Amazon, Apple y Microsoft) ya tienen departamentos de desarrollo y aplicación de inteligencia artificial y muchos de sus procesos ya están controlados de forma ”inteligente”. En el mundo de la economía, se está aplicando en los campos del customer centricity, finanzas o mercados y en el mundo de la medicina con los campos de diagnóstico, genética etc. Una cuestión interesante es el hecho de que esta revolución se produce casi al mismo tiempo que la del Big Data.
¿Hay alguna relación entre la revolución de la Inteligencia Artificial y el Big Data?
Por supuesto que sí: las redes neuronales artificiales profundas necesitan de grandes cantidades de datos para poder funcionar correctamente y el Big Data está aquí para suministrar la ingente cantidad de información que producimos a diario.
Aplicaciones de las redes neuronales artificiales
Hay inversiones muy grandes y es un campo muy fértil por lo que se esperan muchas novedades interesantes. De momento todas las empresas están aplicando estas tecnologías para hacer más eficientes sus procesos. A continuación, dejaremos algunos ejemplos de aplicaciones del deep learning en la actualidad.
Los homepods o altavoces inteligentes
Desde el punto de vista de productos novedosos podemos mencionar un nuevo electrodoméstico llamado “homepods” o altavoces inteligentes que interactúan con los usuarios ayudando a automatizar las tareas del hogar. La carrera en este campo ya ha comenzado; de hecho Amazon, Apple y Google ya están comercializando sus dispositivos llamados Echo, Homepod y Google Home respectivamente.
Los vehículos inteligentes
Otro de los ejemplos son los coches inteligentes desarrollados por diversas compañías con diferentes grados de autonomía. Un ejemplo de ello es los vehículos de conducción autónoma de Tesla o Uber que se basa en el reconocimiento de ciertos patrones de conducción que proporciona, incluso, el poder de predecir accidentes o errores en la carretera.
Los chatbots
Un chatbot es un software capaz de conversar con el usuario en un chat online. Usan un lenguaje natural, interpretan las demandas del usuario y recomiendan las soluciones más relevantes y mejoran de forma automatica a medida que hablan con las personas (incluso entre ellos).
Los chatbots son utilizados principalmente en servicios de mensajería para llevar a cabo las funciones de atención al ciente, por lo que pueden resolver las necesidades de una persona. Los más conocidos son Siri de Apple, Cortana de Microsoft o Alexa de Amazon. Un gran ejemplo de esta actividad lo aporta la compañía Taco Bell. Esta compañía ha incorporado un chatbot a través del cual se pueden gestionar pedidos de comida mediante una conversación con el bot automatizado.
De esta forma, cuanto más mejore la tecnología, mejor será el servicio que ofrezca un chatbot llegando a automatizar todo tipo de cosas.
Colorización automática de imágenes en blanco y negro
La colorización de imágenes siempre ha sido una tarea realizada con un gran esfuerzo humano, ya que requería de un un criterio visual muy alto. Sin embargo, una de las aplicaciones del deep learning consiste en la capacidad de identificar objetos (como hemos visto en el ejemplo de las capas) y su contexto dentro de una fotografía en blanco y negro, para colorearla.
Esta imagen es un set de fotografías originalmente entregadas en blanco y negro, y que fueron coloreadas con una exactitud impresionante.
Traducción automática
Es el proceso por el cual un texto o imagen se traduce de manera automática. El deep learning está avanzando mucho en este área alcanzando grandes resultados.
En el caso del texto, el algoritmo puede aprender la dependencia entre palabras y asignarlas a un nuevo idioma. En el caso de las imágenes, las redes neuronales se usan para identificar imágenes que contienen caracteres y dónde se encuentran las letras en la escena.
Una vez identificados estos caracteres, se convierten en texto y acto seguido se traduce el texto. Este proceso se conoce como traducción visual instantánea.
En definitiva, ¡los dispositivos inteligentes llegan para quedarse!
Imagen de cabecera de Freepik e imágenes de colorización y traducción automática de Ilifebelt
