El interés por el aprendizaje automático (Machine Learning) ha explotado en los últimos 10 años. El mundo a nuestro alrededor está pasando por una transformación en la cual observamos una interacción cada vez mayor de las aplicaciones entre computadores y seres humanos. Software para la detección de Spam en correos electrónicos, sistemas de recomendación, etiquetado de fotografías en redes sociales, asistentes de voz personalizados, vehículos autónomos, Smartphone con reconocimiento facial, procesamiento digital de imágenes satelitales, apoyo en diagnósticos radiológicos, entre otra gran variedad de aplicaciones.
El interés por el Machine Learning, es cada vez más evidente por el creciente número de conferencias, meetups, artículos, libros, cursos, búsquedas en Google y profesionales y empresas procurando comprender que es la Inteligencia Artificial, específicamente el Aprendizaje de Maquina (Machine Learning).
Fundamentalmente el Machine Learning, es la utilización de algoritmos para extraer información de datos brutos y representarlos a través de algún tipo de modelo matemático. Por consiguiente, utilizamos este modelo para hacer inferencias a partir otros conjuntos de datos. Existen muchos algoritmos que permiten hacer esto, sin embargo, se viene destacando con especial énfasis las Redes Neuronales Artificiales.
Las Redes Neuronales Artificiales existen por lo menos desde 1950, sin embargo, aunque la arquitectura de estos modelos hubiera evolucionado, todavía faltaban ingredientes que permitieran a los modelos realmente funcionar. Estos ingredientes surgieron casi que, al mismo tiempo, siendo uno de ellos el Big Data. El volumen de datos generado en variedad y velocidad cada vez mayor, permite crear modelos y alcanzar altos niveles de precisión. Sin embargo, aún faltaba un ingrediente…
¿Cómo procesar grandes modelos de Machine Learning con grandes cantidades de datos? Las unidades centrales de procesamiento (CPU, por sus siglas en inglés) no podían procesar este conjunto de datos masivos.
Fue entonces, cuando los gamers y su codicia por poder computacional y gráficos perfectos, ayudaron a encontrar el ingrediente que faltaba: Programación Paralela en GPU (Unidades de Procesamiento Gráficos, GPU por sus siglas en ingles). Las unidades de procesamiento gráfico, permiten realizar operaciones matemáticas de forma paralela, principalmente operaciones con matrices y vectores, elementos presentes en modelos de redes neuronales artificiales, estos formaron la tormenta perfecta que permitió la evolución en la cual nos encontramos hoy: Big Data + Procesamiento Paralelo en GPU + Modelos de Machine Learning = Inteligencia Artificial.
Ahora bien, la unidad fundamental de las redes neuronales artificiales, son denominadas neuronas matemáticas, cuyo funcionamiento está basado en el funcionamiento de las neuronas biológicas. Las conexiones entre esas neuronas matemáticas fueron inspiradas en cerebros biológicos, especialmente en la forma como esas conexiones se desarrollan al trascurrir del tiempo con un “entrenamiento”.
Por consiguiente, a mediados de 1980 e inicio de la década de 1990, ocurrieron muchos avances importantes en la arquitectura de las redes neuronales artificiales, sin embargo, la cantidad de tiempo y datos necesarios para obtener buenos resultados, retraso la adopción y por ende el interés en la investigación disminuyó; periodo conocido en la historia de la inteligencia artificial como “invierno de la Inteligencia Artificial (AI Winter, en inglés).
Posteriormente en los inicios del año 2000, el poder computacional se expandió exponencialmente y el mercado apreció una “explosión” de técnicas computacionales que no eran posibles antes de esto. Fue cuando el aprendizaje profundo (Deep Learning) surgió del crecimiento computacional explosivo de esa década como el principal mecanismo de construcción de sistemas de Inteligencia Artificial, lo que le permitió ganar competencias importantes del aprendizaje de máquina. El actual interés por el Deep Learning no para de crecer y hoy vemos que el termino de aprendizaje profundo es utilizado cada vez con mayor frecuencia en diferentes soluciones comerciales.
Este post, es el primero de una serie de artículos que surgen como iniciativa para divulgar información de calidad y en español de esta sub área de la Inteligencia Artificial, como lo es el Deep Learning, ya que la mayoría se encuentra en inglés y puede convertirse en una limitante para muchas personas. De igual manera se escribirán artículos relacionados con algunos fundamentos, aplicaciones y herramientas de la Percepción Remota (Remote Sensing).
¡Si eres como yo, un profesional apasionado por esta ciencia, que busca integrar el Deep Learning con las aplicaciones de Percepción Remota, te invito a que me acompañes, en esta increíble jornada…!
Puedes seguirme también por Instagram…
https://www.instagram.com/machine.learning.rs/
Finalmente, si estas interesado en incrementar tu capital, obtener ingresos pasivos a través de la tecnología que sostiene esta plataforma (Blockchain), te invito a que leas mi artículo en el siguiente link y tomes una de las mejores decisiones de tu vida, ¡con la minería en la nube!!!
https://steemit.com/spanish/@iars.geo/unete-al-equipo-de-aws-team-latino-network
Se trata de una de las empresas que está revolucionando la minería en la nube a nivel global, principalmente porque por su seriedad y compromiso con los inversores, ya que permite que cualquier persona visite sus granjas de minería y confirme por su propia cuenta que se trata de una empresa con infraestructura física y dirigentes reales, responsables y comprometidos…. Si te interesa no dudes en visitar mi artículo “Unete al equipo de AWS Team Latino Network”.
https://steemit.com/spanish/@iars.geo/unete-al-equipo-de-aws-team-latino-network