Aprendizaje profundo (deep learning)

Una red neuronal profunda está organizada en capas apiladas, donde cada capa transforma la representación que recibe de la anterior. "Profundo" se refiere al número de capas, no a que la red "piense hondo". La diferencia con el aprendizaje automático clásico es de fondo: antes, un ingeniero diseñaba a mano las características relevantes (para reconocer un gato, programaba detectores de bordes y texturas); en deep learning, la red aprende esas características por sí sola a partir de ejemplos.

Aunque las redes neuronales y el backpropagation existen desde los años 80, el quiebre práctico llegó con AlexNet (Krizhevsky, Sutskever y Hinton, 2012), que ganó por amplio margen la competencia de reconocimiento de imágenes ImageNet usando una red convolucional profunda entrenada en GPUs. Ese resultado convenció a buena parte del campo de que más capas, más datos y más cómputo superaban a los enfoques diseñados a mano. Yann LeCun, Yoshua Bengio y Geoffrey Hinton sistematizaron el paradigma en su artículo de revisión "Deep learning" (Nature, 2015).

En términos accesibles, el entrenamiento ajusta millones o miles de millones de parámetros mediante descenso de gradiente y backpropagation, a partir de ejemplos (etiquetados o no). Las capas tempranas de la red capturan patrones simples —bordes, sonidos básicos—; las capas más profundas combinan esos patrones en conceptos más abstractos —rostros, palabras, ideas.

Hoy el deep learning está detrás de la visión computacional (reconocimiento facial, autos autónomos), el reconocimiento y síntesis de voz, la traducción automática y, sobre todo, los modelos de lenguaje grandes actuales, cuya arquitectura transformer es también una red profunda. Casi todo lo que hoy se llama "IA" en productos comerciales corre sobre este paradigma.

Lo que se discute no es si funciona, sino sus costos y sus límites: el gasto computacional y energético de entrenar redes cada vez más grandes, la falta de interpretabilidad (es difícil saber por qué una red tomó una decisión particular, el problema de la "caja negra"), y si seguir agrandando redes sigue siendo la vía más eficiente de progreso o si el campo necesita ideas arquitectónicas nuevas en vez de sólo escala.