El aprendizaje profundo (Deep Learning), una variación del aprendizaje automático o Machine Learning (ML), representa el principal impulsor hacia la inteligencia artificial (AI). Dado que el aprendizaje en profundidad ofrece capacidades superiores de fusión de datos sobre otros enfoques de ML, Gartner predice que en 2019 el aprendizaje profundo será un factor crítico para el mejor desempeño de la clase para la demanda, el fraude y las predicciones de fallos de los sistemas.
Gartner predice que el 80 por ciento de los científicos de datos tendrán un aprendizaje profundo en sus herramientas hasta el año 2019
El aprendizaje profundo también hereda todos los beneficios del ML. Varios avances en los dominios cognitivos lo demuestran. Los servicios de voz a texto de Baidu están superando a los humanos en tareas similares; PayPal está utilizando el aprendizaje profundo como el mejor enfoque de la clase para bloquear pagos fraudulentos y ha reducido su tasa de falsas alarmas por la mitad, y Amazon también está aplicando un aprendizaje profundo para las mejores recomendaciones de productos de su clase.
“El aprendizaje profundo está aquí para quedarse y expandir ML al permitir representaciones intermedias de los datos”, señaló Alexander Linden, vicepresidente de Investigación de Gartner. “En última instanica, se resuelven problemas de negocios complejos y ricos en datos, por ejemplo, el aprendizaje profundo puede dar resultados prometedores cuando se interpretan imágenes médica para diagnosticar el cáncer temprano; también ayudar a mejorar la visión de las personas con discapacidad visual, o reconocer y entender el discurso de una persona específica”.
Hoy en día, la mayoría de los casos de uso de ML a través del aprendizaje profundo son procesamiento de imagen, texto y audio, pero también cada vez más en la predicción de la demanda, determinando deficiencias en torno a la calidad del servicio y del producto, detectando nuevos tipos de fraude, predictivo o incluso prescriptivo. Sin embargo, las iniciativas de ML e IA requieren más que solo datos y algoritmos para tener éxito. Necesitan una mezcla de habilidades, infraestructura y compra de empresas.
A la caza de expertos en datos
La mayoría de las organizaciones carecen de las habilidades necesarias de ciencia de datos para soluciones simples de ML, y mucho menos para un aprendizaje profundo. Si los proyectos no pueden abordarse con aplicaciones fáciles de usar, los CIO necesitarán experiencia en este terreno.
“En esta situación, los responsables de TI estarán buscando especialistas, llamados científicos de datos”, dijo Linden. “Los científicos de datos pueden extraer una amplia gama de conocimientos de los datos, pueden ver una visión general del proceso de extremo a extremo y pueden resolver problemas de ciencias de los datos”.
Gartner predice que el 80 por ciento de los científicos de datos tendrán un aprendizaje profundo en sus herramientas hasta el año 2018. “Si uno de sus equipos posee una buena comprensión de los datos, tiene experiencia en el dominio del negocio y puede interpretar los resultados, está listo para iniciar experimentos de ML” concluyó Linden. “Incluso si su equipo carece de experiencia con algoritmos, puede comenzar con aplicaciones empaquetadas o API.”
