Aprendizaxe profunda: varias capas de aprendizaxe automática

• autor:
• nome do autor

  Foresigh de Quantumrun
• Setembro 9, 2022

Resumo de insight

A aprendizaxe profunda (DL), un tipo de aprendizaxe automática (ML), mellora as aplicacións de intelixencia artificial (IA) ao aprender a partir dos datos de xeito similar á función do cerebro humano. Atópase uso en varios campos, desde mellorar os vehículos autónomos e os diagnósticos sanitarios ata alimentar chatbots e mellorar as medidas de ciberseguridade. A capacidade da tecnoloxía para xestionar tarefas complexas, analizar amplos conxuntos de datos e facer predicións informadas está a dar forma ás industrias e a xerar debates éticos, especialmente en torno ao uso e a privacidade dos datos.

Contexto de aprendizaxe profundo

A aprendizaxe profunda é unha forma de ML que é a base de moitas aplicacións de IA. DL pode axudar coas tarefas de clasificación directamente desde imaxes, texto ou son. Pode realizar análises de datos e interfaz de dispositivos, axudar con robots autónomos e coches autónomos e realizar exploracións científicas. DL pode axudar a identificar patróns e tendencias e producir predicións máis precisas. Esta tecnoloxía tamén pode interactuar con dispositivos tecnolóxicos, como teléfonos intelixentes e dispositivos de Internet das cousas (IoT). 

DL usa redes neuronais artificiais para axudar en tarefas similares ao procesamento da linguaxe natural (PNL) ou á visión por ordenador e ao recoñecemento da voz. As redes neuronais tamén poden proporcionar recomendacións de contido similares ás que se atopan nos motores de busca e sitios de comercio electrónico. 

Hai catro enfoques principais para a aprendizaxe profunda:

• Aprendizaxe supervisada (datos etiquetados).
• Aprendizaxe semisupervisada (conxuntos de datos semietiquetados).
• Aprendizaxe non supervisada (non se precisan etiquetas).
• Aprendizaxe de reforzo (os algoritmos interactúan co medio, non só os datos de mostra).

Nestes catro enfoques, a aprendizaxe profunda emprega redes neuronais en varios niveis para aprender de forma iterativa dos datos, o que é beneficioso cando se buscan patróns en información non estruturada. 

As redes neuronais na aprendizaxe profunda imitan como se estrutura o cerebro humano, con varias neuronas e nós que se conectan e comparten información. Na aprendizaxe profunda, canto máis complexo sexa o problema, máis capas ocultas haberá no modelo. Esta forma de ML pode extraer funcións de alto nivel de grandes cantidades de datos brutos (big data). 

DL pode axudar en situacións nas que o problema é demasiado complexo para o razoamento humano (por exemplo, análise de sentimentos, cálculo de rangos de páxinas web) ou problemas que requiren solucións detalladas (por exemplo, personalización, biometría). 

Impacto perturbador

A aprendizaxe profunda é unha poderosa ferramenta para as organizacións que desexan utilizar os datos para tomar decisións máis informadas. Por exemplo, as redes neuronais poden mellorar os diagnósticos na asistencia sanitaria estudando amplas bases de datos de enfermidades existentes e os seus tratamentos, mellorando a xestión e os resultados da atención ao paciente. Outras aplicacións empresariais inclúen visión por ordenador, traducións de idiomas, recoñecemento óptico de caracteres e interfaces de usuario conversacionais (UI) como chatbots e asistentes virtuais.

A adopción xeneralizada da transformación dixital e a migración á nube por parte das organizacións presenta novos retos de ciberseguridade, nos que as tecnoloxías de DL poden desempeñar un papel crucial na identificación e mitigación das ameazas potenciais. A medida que as empresas adoptan cada vez máis estratexias multi-nube e híbridas para acadar os seus obxectivos dixitais, a complexidade dos estamentos informáticos, que abarca os activos colectivos de tecnoloxía da información de organizacións ou individuos, aumentou significativamente. Esta crecente complexidade require solucións avanzadas para xestionar, protexer e optimizar de forma eficiente estes ambientes de TI diversos e intrincados.

O crecemento dos estamentos informáticos e o desenvolvemento organizativo continuo proporcionan a axilidade e a rendibilidade necesarias para manterse competitivo, pero tamén crean un backend máis difícil de xestionar e protexer de forma eficaz. DL pode axudar a identificar patróns anormais ou erráticos que poden ser un sinal de intentos de hackeo. Esta función pode protexer as infraestruturas críticas contra a infiltración.

Implicacións da aprendizaxe profunda

As implicacións máis amplas do DL poden incluír: 

• Vehículos autónomos que utilizan a aprendizaxe profunda para responder mellor ás condicións ambientais, mellorar a precisión, a seguridade e a eficiencia.
• Debates éticos sobre como os datos biométricos (por exemplo, trazos faciais, estruturas oculares, ADN, patróns de pegadas dixitais) son recollidos e almacenados por Big Tech.
• Melloran as interaccións naturais entre humanos e máquinas (por exemplo, usando dispositivos intelixentes e wearables).
• Empresas de ciberseguridade que utilizan a aprendizaxe profunda para identificar os puntos débiles das infraestruturas informáticas.
• Empresas que aplican unha ampla gama de análises preditivas para mellorar produtos e servizos e ofrecer solucións hiperpersonalizadas aos clientes.
• Os gobernos procesan bases de datos públicas para optimizar a prestación de servizos públicos, especialmente entre as xurisdicións municipais.

Preguntas a ter en conta

• De que outra maneira pode a aprendizaxe profunda axudar ás empresas e aos gobernos a actuar de forma proactiva ante diferentes situacións?
• Cales son os outros riscos ou beneficios potenciais do uso da aprendizaxe profunda?