APRENDIZAJE PROFUNDO: DESDE LA PEDAGOGIA A LA INTELIGENCIA ARTIFICIAL. 👀👌

 

                                          Créditos de la imagen: https://www.treelogic.com/es/Deep_Learning.html

¡Ufff!... Difícil me es hablar de aprendizaje profundo desde la inteligencia artificial y no desde la pedagogía. En el campo de investigación de cómo aprendemos, aún queda mucho que investigar; sin embargo, existen teorías como la “Teoría Biológica del Conocimiento” que nos dan algunas luces de ¿Cómo aprendemos?  Para Maturana (2003) en Ortiz (2015)  existe aprendizaje cuando la conducta varía durante la  ontogenia de manera congruente con las variaciones del medio, siguiendo un curso contingente a sus interacciones en él. Para un observador, las transformaciones configuracionales que se generan en el cerebro humano se corresponden con las situaciones de interacción entre el ser humano y su entorno; además, se le otorga gran importancia al lenguaje.

 Antes de contrastar estas afirmaciones anteriores con el  aprendizaje profundo, vamos a revisar algunos aspectos grosso modo.  De acuerdo con Franco & Ramos (2019) este  aprendizaje  basa en la aplicación de algoritmos de redes neuronales artificiales  que forman varias capas  y son capaces de encontrar e inferir patrones complejos dentro de datos; estos algoritmos intentan reproducir el comportamiento del cerebro humano, a través de la reproducción de los procesos de conexión de las neuronas, es por esta razón que estas redes  son hábiles a la hora de aprender tareas y funciones complejas a partir de las entradas recibidas.

El comportamiento de una red neuronal artificial queda definido por la fuerza, las conexiones entre neuronas y la forma en que las entradas se transforman. Precisamente, las entradas son transformadas  por medio de  una función de activación predefinida, la que puede ser sigmoide o tangente o hiperbólica, la que a su vez  determina un valor o peso.

El valor determina la activación o desactivación de la siguiente neurona dentro de la red, según sea  la cantidad de capas y neuronas que tenga  la red puede tener diferentes capacidades de profundizar en aprendizaje y  autorregulación. 

                                    Créditos de la imagen: https://unipython.com/deep-learning-aprendizaje-profundo/

Podemos encontrar dos tipos:

Aprendizaje profundo supervisado: su objetivo es construir redes que reciban un conjunto de variables de entrada y devuelva una predicción. Ejemplos: red neuronal convolucional, red neuronal recuente y rede neuronal convolucional gráfica.

Aprendizaje profundo no supervisando: su objetivo es caracterizar y describir los conjuntos de datos no etiquetados, permitiendo descubrir y aprender sus patrones y características, de este modo lograr entender las relaciones que existen dentro de los datos. Ejemplos: autoencode y las redes generativas antagónicas.

 Para saber más: https://www.xataka.com/robotica-e-ia/machine-learning-y-deep-learning-como-entender-las-claves-del-presente-y-futuro-de-la-inteligencia-artificial

 

Ahora bien, realizando la comparación del aprendizaje en humanos y en máquinas, a partir de lo expuesto por Maturana  (2003) en Ortiz (2015)   y lo planteado por Franco & Ramos (2019) podemos hacer algunas críticas.

 El aprendizaje se da al variar la conducta congruentemente con las variaciones del medio, esto se da en humanos, ya que poseen un sistema nervioso que le permite recibir estímulos, en el caso de la maquina puede recibir datos, pero no puede procesarlos al mismo nivel sensitivo y motor que el humano, lo cual no permitiría una respuesta y adaptación al medio adecuada.

El proceso de aprendizaje en humanos está íntimamente ligado al lenguaje, el cual es complejo y cambiante, una palabra puede tener varios significados según el contexto que se le dé. Una maquina no podría manejar el lenguaje a este nivel, ya que no puede abstraer al nivel del ser humano.  Otro punto que considera Maturana, son los conocimientos previos, los cuales el ser humano utiliza para enfrentarse a una nueva situación.

 Lo anteriormente expuesto coincide en algunos aspectos con lo expresado por Marcus (2018):  

*Necesita demasiados datos

*No sabe diferenciar la jerarquía en una frase subordinada

*El aprendizaje profundo no es lo suficientemente transparente (conocido como caja negra)

*No está bien integrado con el conocimiento previo

*No puede distinguir la causalidad de la correlación

*Funciona bien como una aproximación, pero no se debe confiar plenamente en las respuestas

*Presenta problemas de ingeniería, de integración con otros componentes para crear sistemas

*El aprendizaje profundo es difícil de diseñar

*No resuelve los problemas que requieren sentido común

*No da buenas soluciones a problemas en los que los datos son escasos

*Falta de adaptabilidad

*Sin capacidad interpretativa

*Se producir imperfecciones en la fase de entrenamiento de las redes neuronales

 No obstante, encontramos criticas positivas, como las de Diaz (2021) quien señala que aprendizaje profundo será una de las tantas  herramientas que por sus avances permitirán acelerar la transición hacia una economía circular, mejorar campos como la medicina, biotecnología, entre tantas otras que irán de la mano con la evolución de la humanidad, transitando por un camino de mutuo beneficio.

 

 

 Fuentes: 

Diaz, J. (2021). Aprendizaje Automático y Aprendizaje Profundo. Ingeniare. Revista chilena de ingeniería, 29(2), 182-183

https://www.researchgate.net/publication/353025421_Aprendizaje_Automatico_y_Aprendizaje_Profundo

 Franco, F., Ramos, J. (2019). Aprendizaje de máquina y aprendizaje profundo en biotecnología: aplicaciones, impactos y desafíos. Ciencia, Ambiente y Clima.  2(2), 7-26. Doi: https://doi.org/10.22206/cac.2019.v2i2.pp7-26

Marcus, G. (2018), Deep Learning: A Critical Appraisal, https://arxiv.org/abs/1801.00631

Ortiz, J. (2015). Enseñanza, aprendizaje y evaluación: una configuración triádica. TED. 37 enero- junio. http://www.scielo.org.co/pdf/ted/n37/n37a06.pdf