Ambas tecnologías están enfocadas para realizar tareas muy similares, no obstante no son lo mismo.
Su principal función trata de hacer aprender a una máquina a realizar diversas tareas. Ambas son una categoría de la I.A. (Inteligencia Artificial).
El Machine Learning (Aprendizaje de Máquinas), trata de hacer que una máquina realice tareas supervisadas por una persona. Es decir, la máquina aprende a realizar las tareas, pero es una persona la que se tiene que encargar de darle unos parámetros que pueda entender y supervisarla.
En cambio, el Deep Learning (Aprendizaje profundo), trata de hacer también que una máquina aprenda a realizar tareas, pero de manera autónoma. Es la misma máquina la que aprende a realizar las tareas y se encarga de aprender de sus errores.
Como podemos observar, ambas tienen el mismo propósito, pero cada una lo realiza a su manera.
En que se diferencian realmente
Ambas son tecnologías muy prometedoras, ya que se basan en hacer que una máquina aprenda a realizar tareas por ella misma. No obstante como ya hemos dicho su ejecución es muy diferente.
La principal diferencia que podemos encontrar entre ambas, es que en el Machine Learning es una persona la que tiene que guiar a la máquina para llegar al resultado esperado y que aprenda a hacerlo por ella misma. En cambio en el Deep Learning esta tarea la resuelve de manera completamente autónoma e incluso es capaz de aprender de sus errores.
Al conocer su diferencia principal, en lo primero que piensa cualquier persona es en que el Deep Learning supera al Machine Learning, pero hay un problema al sacar esa conclusión anticipada y es que el Deep Learing se trata de una de las técnicas usadas en el desarrollo del Machine Learning, que a su vez no deja de ser una categoría de la I.A.
Puede ser que ahora mismo te haya ‘estallado la cabeza’, no obstante ahora entenderás el porqué ambas son necesarias.
Ventajas de cada una
Como hemos dicho, el Deep Learning es una tecnología que en tareas autónomas supera al Machine Learning. Por eso mismo cada tecnología se utiliza para tareas diferentes.
Por ejemplo, dentro de nuestro correo tenemos unos filtros anti-spam los cuales automáticamente se encargan de mandar a la bandeja de spam (Correo no deseado). Estos filtros han sido programados con Machine Learning, puesto que los propios programadores se encargan de aplicar ciertos filtros iniciales los cuales la máquina va redirigiendo desde un principio. Una vez va pasando el tiempo la propia máquina es quien va detectando otro tipo de correos los cuales también son spam y ella misma los manda a la carpeta anti-spam. Esta tarea es mucho mejor realizarla con Machine Learning que utilizando Deep Learning, por el simple hecho que es muy difícil que aprenda que se considera ‘spam’ para los usuarios sin unos parámetros base. Para la máquina podría ser que algo fuese spam mientras que para nosotros puede ser importante. Por eso es necesario unos filtros básicos.
Si buscamos ventajas del Deep Learning las podemos encontrar fácilmente cuando tratamos de pasar una imagen a texto para traducirlo, puesto que esta tecnología se encarga por si sola de convertirlo y luego una vez ya es texto es sencillo de traducir. Si esto lo intentásemos realizar con Machine Learning, nos resulta imposible por el hecho de que no es capaz de transformar la imagen a texto por sí mismo, sino que requiere la intervención humana.
Por otro lado podemos encontrar situaciones en las cuales se pueden unir ambas tecnologías. Por ejemplo a la hora de conseguir un vehículo autónomo lo principal seria introducir unos parámetros básicos para evitar comportamientos que para la máquina podrían ser correctos, pero bajo nuestro pensamiento no lo son. Una vez hecho esto la máquina se encarga de aplicarlo y aprender (Machine Learning). Una vez la máquina ya ha aprendido a manejar el vehículo toca sacarlo a la calle, pero en la realidad, las calles no son perfectas, hay obstáculos, peatones, otros vehículos saltándose las normas… Es aquí donde aplica el Deep Learning. La máquina necesita ir aprendiendo a convivir con estos obstáculos y situaciones y para eso requiere ir aprendiendo. Por ejemplo si se salta un semáforo en rojo, debe aprender que es un error y que solo lo puede pasar en verde. También que si aparece un obstáculo delante tiene que detenerse o esquivarlo. La primera vez colisionará, no obstante no le volverá a pasar, puesto que habrá aprendido que es un error.
Aunque parezca mentira, así es como funciona la mente humana y como aprendemos y es la base de estas dos tecnologías las cuales son diferentes en concepto, pero se utilizan para la misma tarea.
En conclusión, no hay una tecnología que destaque sobre la otra. Cada una se utiliza en diferentes campos y en diferentes situaciones. Si nos pusiésemos ‘puntillosos’ he de admitir que la tecnología más completa es el Deep Learning, pero sigo diciendo que ambas son muy revolucionarias e importantes, además que son el futuro en toda regla.
