El machine learning (ML) y el deep learning (DL) son dos subconjuntos o ramas de la inteligencia artificial (IA), que en ocasiones se usan de forma indistinta o que se confunden entre sí, pero que en realidad son conceptos distintos.
Así, la principal diferencia entre machine learning y deep learning es que el segundo en un subconjunto del primero, es decir, que primero se desarrolló el ML y, en base a este, pero utilizando otros algoritmos más complejos y con mayor poder de computación, se desarrolló el DL.
En cualquier caso, no podemos entender cómo funcionan los sistemas de inteligencia artificial actuales, sin conocer qué son y en qué se diferencian el machine learning (aprendizaje automático) y el deep learning (aprendizaje profundo), dos técnicas que comparten el objetivo de que las máquinas sean capaces de aprender por sí mismas y funcionar, en el segundo caso, de una manera prácticamente autónoma.
En las siguientes líneas enfrentaremos al machine learning vs. deep learning para entender mejor en qué se diferencian y qué usos y aplicaciones tienen cada uno de ellos.
Contenido del artículo
Machine learning vs. deep learning (tabla resumen)
| Aspectos | Machine Learning | Deep Learning |
|---|---|---|
| Algoritmos utilizados | Sobre todo, algoritmos para tareas de clasificación, regresión y agrupamiento. | Arquitectura de redes neuronales profundas. |
| Cantidad de datos requerida | Puede entrenarse con conjuntos de datos más pequeños. | Requiere de grandes cantidades de datos para entrenarse. |
| Tiempo de entrenamiento | Más corto. | Más largo. |
| Extracción de características | Requiere de intervención humana para extraer características. | Puede extraer características de los datos por sí mismo. |
| Recursos computacionales | Puede operar un ordenador convencional. | Requiere de un mayor poder de procesamiento. |
| Flexibilidad | Menos flexibles, al ser específicos para tareas determinadas. | Más flexibles, con capacidad de adaptarse a nuevas tareas o condiciones. |
| Aplicaciones | Limitadas y centradas en un ámbito concreto. | Diversas y con mayor grado de complejidad. |
| Nivel de comprensión | Puede ser más fácil entender cómo llega a sus predicciones. | Resulta muy complejo entender cómo funcionan sus modelos. |
Algoritmos utilizados
Una notable diferencia del machine learning y deep learning reside en la complejidad de los algoritmos que utilizan sus modelos.
Generalmente, los algoritmos utilizados en machine learning son «sencillos», empleados para, en base a los datos, realizar tareas de clasificación, regresión o agrupamiento. Así, el ML utiliza algoritmos de regresión lineal, regresión logística, máquinas de vectores de soporte o árboles de decisión, entre otros. En el ML, los datos recorren los algoritmos de forma lineal.
Por su parte, el deep learning se basa en el uso de redes neuronales profundas (DNN), estructuras más complejas que están compuestos por múltiples capas de algoritmos y de unidades de cálculo o neuronas artificiales (nodos), imitando cómo funcionaría un cerebro humano. En las DNN los datos pasan a través de esta red de algoritmos interconectados de forma no lineal, de manera muy similar a cómo procesaría la información un cerebro humano.
Las redes neuronales pueden tener diferentes arquitecturas, por ejemplo, pueden ser redes neuronales convolucionales (CNN), capaces de procesar imágenes, o redes neuronales recurrentes (RNN) para el procesamiento de datos secuenciales. Gracias a su arquitectura, los modelos basados en aprendizaje profundo pueden capturar patrones más complejos y hacer abstracciones de los datos.
Cantidad de datos requerida
Otra diferencia entre machine learning y deep learning importante (y que también es una diferencia entre inteligencia artificial y machine learning) es la cantidad de datos que requiere cada técnica para su entrenamiento.
Mientras que los modelos de machine learning pueden ser entrenados y llegar a funcionar de manera correcta y eficaz con conjuntos de datos medianos y pequeños, los modelos de deep learning requieren grandes volúmenes de datos para el entrenamiento y para ser efectivos.
Es cierto que cuanto mayor sea la cantidad y la calidad de los datos, mejor será el rendimiento del modelo en ambos casos, pero para los algoritmos de machine learning resulta más «fácil» adaptarse y generalizar con cantidades limitadas de datos, siempre que estos sean representativos.
En los modelos de deep learning, sin embargo, la eficacia y efectividad depende enteramente de poder usar grandes volúmenes de datos, para evitar problemas de sobreajuste y la incapacidad de generalizar bien a nuevos datos. Esto ha llevado, en los casos en los que no es posible disponer de esos volúmenes de datos, al desarrollo de datos sintéticos, para poder suplir la carencia de datos reales y poder entrenar modelos de DL sin perder eficacia (aunque cabe señalar que esta técnica es bastante reciente).
Tiempo de entrenamiento
El tiempo de entrenamiento de los modelos de ML y DL es otra de sus diferencias.
Mientras que los modelos de machine learning requieren menos tiempo para entrenarse, especialmente en aquellos más simples (como la regresión lineal o los árboles de decisión), los modelos de deep learning necesitan mucho más tiempo, dependiendo del tamaño del modelo y del conjunto de datos.
Así, en los modelos más sencillos de ML, hablamos de horas, mientras que para los más complejos de DL, podemos hablar de días o incluso semanas.
Extracción de características
El machine learning requiere intervención humana para la extracción de características de los datos; son los desarrolladores del modelo los que seleccionan las características y transforman las variables relevantes del conjunto de datos en un formato adecuado para el modelo.
Por ejemplo, si se quiere usar un modelo de ML para predecir el precio de casas, las características a tener en cuenta serán el tamaño de las casas, el número de habitaciones, la ubicación, etc. Los desarrolladores pueden seleccionar las características más relevantes, transformarlas (convertir los precios a una escala logarítmica) o combinarse para crear nuevas variables relevantes (precio por metro cuadrado).
En el deep learning, por el contrario, el modelo automatiza gran parte del proceso de extracción de características y apenas es necesaria la intervención humana. Las redes neuronales profundas son capaces de aprender las representaciones jerárquicas de los datos por sí mismas.
Por ejemplo, en el reconocimiento de imágenes, una red neuronal convolucional puede aprender a detectar bordes, texturas, formas y objetos completos en diferentes capas de la red. O, siguiendo con el ejemplo de la casa, un modelo DL puede aprender de forma automática que la combinación del tamaño de la casa y la ubicación es una característica importante para predecir el precio.
Recursos computacionales
El machine learning requiere el uso de menos recursos computacionales para poder ejecutar sus modelos, de manera que los más sencillos pueden ejecutarse en ordenadores personales o servidores estándar. Además, no siempre requieren de hardware especializado.
En el otro lado está el deep learning, cuyos modelos sí requieren del consumo intensivo de recursos computacionales. El entrenamiento de las redes neuronales profundas necesita una gran cantidad de poder de procesamiento, que muchas es proporcionado por unidades de procesamiento gráfico (GPU) o incluso unidades de procesamiento tensorial (TPU, creados específicamente para el aprendizaje automático), a diferencia de los modelos de ML, que pueden usar una unidad central de procesamiento (CPU).
Flexibilidad
Machine learning y deep learning también se diferencia en su capacidad para adaptarse y ser flexibles.
Generalmente, los algoritmos de machine learning están diseñados para efectuar tareas concretas y pueden requerir ajustes o modificaciones significativas si es necesario aplicarlos para resolver otro tipo de tareas o problemas.
En cambio, las redes neuronales profundas pueden adaptarse a una amplia variedad de tareas y problemas, haciendo unos cambios mínimos en su arquitectura.
Aplicaciones
El machine learning se utiliza en un amplio abanico de aplicaciones donde los conjuntos de datos no son excesivamente complejos y las predicciones son relativamente sencillas de hacer. Por ejemplo, se usan en los sistemas de recomendaciones de plataformas de streaming o comercio electrónico, en la detección del fraude o en los modelos predictivos en negocios. Es decir, se emplean cuando es necesario hacer predicciones, que serán interpretadas por humanos (por ejemplo, dentro de la inteligencia artificial en el campo laboral tenemos el mantenimiento predictivo de maquinaria).
Los modelos de deep learning se aplican sobre todo en ámbitos donde los datos son extremadamente complejos y la precisión en las predicciones y la toma de decisiones es clave. Por ejemplo, modelos de DL se usan para el reconocimiento de voz y el reconocimiento facial, también el procesamiento del lenguaje natural (NLP) o en la conducción asistida o automática de los vehículos autónomos.
Nivel de comprensión
El nivel de comprensión, es decir, la facilidad o no de comprender cómo funciona un modelo y cómo llega a sus conclusiones, también es una diferencia entre machine learning y deep learning.
Así, los modelos de machine learning son relativamente más fáciles de comprender, especialmente aquellos más sencillos, y, teniendo los conocimientos técnicos necesarios, se pueden analizar para comprender cómo el modelo ha llegado a esa predicción concreta.
Por el contrario, los modelos de deep learning son mucho más complejos, considerados en muchas ocasiones como «cajas negras». La profundidad y complejidad de las redes neuronales dificultan la interpretación y comprensión de los modelos, incluso con la asistencia de técnicas específicas para entender su funcionamiento, llegar a hacerlo completamente es muy complicado (y es de esperar que cuanto más sofisticado, complejo y autónomo sea el modelo, más difícil será para los humanos llegar a comprender su «lógica»).
En definitiva, machine learning y deep learning son partes esenciales del desarrollo de los sistemas de inteligencia artificial actuales, y están presentes en muchas aplicaciones que ya se utilizan y nos rodean.
