¿Qué es el deep learning? Definición y diferencia con el machine learning

La definición oficial francesa (Journal officiel del 9 de diciembre de 2018) lo describe como un aprendizaje automático que utiliza una red neuronal artificial «compuesta por un gran número de capas», cada una correspondiente a un nivel creciente de complejidad. En una imagen, las primeras capas detectan contornos, las siguientes formas y las últimas objetos. La diferencia práctica con el machine learning clásico está en la preparación de los datos: la red extrae por sí misma las características útiles de los datos brutos, mientras que un modelo clásico espera variables elegidas por una persona. A cambio, requiere muchos datos y mucho cálculo. Las ideas son antiguas: la retropropagación, el algoritmo que permite entrenar redes de varias capas, la popularizaron en 1986 Rumelhart, Hinton y Williams. El punto de inflexión llegó en 2012. AlexNet, una red convolucional de 60 millones de parámetros diseñada por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton, ganó la competición ImageNet con un 15,3 % de error (top 5), frente al 26,2 % del segundo. Se entrenó con dos tarjetas gráficas de consumo: las GPU se convirtieron en la herramienta estándar del campo. Dos distinciones han consagrado la disciplina. El premio Turing 2018 reconoció a Yoshua Bengio, Geoffrey Hinton y Yann LeCun por convertir las redes neuronales profundas en «un componente esencial de la informática». El premio Nobel de Física 2024, anunciado el 8 de octubre de 2024, distinguió a John Hopfield y Geoffrey Hinton por descubrimientos que permiten el aprendizaje automático con redes neuronales artificiales. Los grandes modelos de lenguaje (LLM) son modelos de deep learning.