Aprendizaje profundo: casos prácticos, startups y libros

En los últimos años, el aprendizaje profundo se ha convertido en otra palabra de moda. Se utiliza principalmente en un lenguaje comercial cuando la conversación trata de aprendizaje automático, Inteligencia artificial, Big Data, análisis, etc. En la actualidad, se muestra muy prometedora a la hora de desarrollar sistemas autónomos autodidácticos que están revolucionando muchas industrias. Por lo tanto, decidí escribir un artículo sobre nuevas empresas de aprendizaje profundo, casos prácticos y libros.

El aprendizaje profundo se desarrolló como un enfoque de aprendizaje automático para manejar asignaciones complejas de entrada-salida. El aprendizaje profundo combina más datos que el aprendizaje automático y esa es la mayor diferencia. Básicamente, si tiene un poco de datos, el aprendizaje automático es una buena opción, pero si tiene muchos datos, el aprendizaje profundo es una mejor opción. Los algoritmos de aprendizaje profundo hacen cosas complicadas, como las multiplicaciones de matrices. También aprenden funciones de alto nivel, por lo que en el caso del reconocimiento facial, el algoritmo obtendrá la imagen muy cerca de la versión RAW en replicación, mientras que las imágenes de aprendizaje automático quedarán borrosas. Otra característica poderosa es que forma una solución de extremo a extremo en lugar de dividir un problema y una solución en partes.

 

¿Qué es aprendizaje profundo?

 

Pero, ¿qué es aprendizaje profundo exactamente? ¿Por qué se ha vuelto tan popular?
En palabras simples, el aprendizaje profundo lleva a cabo el proceso de aprendizaje automático utilizando una red neuronal artificial que se compone de una serie de niveles en una jerarquía. Por ejemplo, la red aprende algo simple en el nivel inicial en la jerarquía y luego envía esta información al siguiente nivel. El siguiente nivel toma esta información simple, la combina en algo que es un poco más complejo y la pasa al tercer nivel. Este proceso continúa porque cada nivel de la jerarquía crea algo más complejo a partir de la entrada que recibió del nivel anterior.

Tomando el ejemplo de un perro, el nivel inicial de una red de aprendizaje profundo podría usar diferencias en las áreas claras y oscuras de una imagen para saber dónde están los bordes o las líneas en una imagen de un perro. El nivel inicial pasa esta información sobre los bordes al segundo nivel, que combina los bordes en formas simples como una línea diagonal o un ángulo recto. El tercer nivel combina las formas simples en objetos más complejos como óvalos o rectángulos. El siguiente nivel puede combinar los óvalos y rectángulos en patas y colas. El proceso continúa hasta que alcanza el nivel superior en la jerarquía donde la red ha aprendido a identificar perros. Mientras aprendía sobre perros, la red también aprendió a identificar a todos los demás animales que veía junto con los perros. Es una muy buena opción para identificar errores, en general es una forma muy rápida y eficiente de analizar gran cantidad de información y ahorrar costes.

 

Casos prácticos: aprendizaje profundo

 

Como hemos dicho, el deep learning se puede aplicar con éxito a big data para el descubrimiento de conocimiento, la aplicación de conocimiento y la predicción basada en el conocimiento. En otras palabras, el aprendizaje profundo puede ser un poderoso motor para producir resultados procesables. Una buena forma de ver todo el potencial del aprendizaje profundo es ver cómo otras compañías lo aplican y lo utilizan.

Comencemos con los ejemplos más conocidos, aprendizaje profundo es muy utilizado por Google en sus algoritmos de reconocimiento de voz y de imagen. Además, es utilizado por Netflix y Amazon para decidir qué desea ver o comprar a continuación, y por los investigadores del MIT para predecir el futuro.

 

¿Cómo lo usan las empresas?

 

Reconocimiento automático de voz.
Tal como lo mencionamos anteriormente, es una de las características más conocidas del aprendizaje profundo y las grandes marcas lo utilizan ampliamente, por ejemplo, Microsoft Cortana, Xbox, Traductor de Skype, Amazon Alexa, Google Now, Apple Siri, Baidu y la búsqueda por voz iFlyTek. Etc.

 

Reconocimiento de imagen.
Como la gente prefiere cosas visuales, el reconocimiento de imágenes ganó tracción. Se utiliza para analizar documentos, imágenes conectadas a una gran base de datos y asegurarse de que se evite el fraude.

 

Procesamiento natural del lenguaje.
El procesamiento del lenguaje neuronal es otro tema de moda e incluso escribí un artículo al respecto. Puede encontrarlo aquí. Es utilizado por diferentes compañías en muchas industrias, la mayoría de los casos usados ​​son: muestreo negativo, incrustación de palabras, análisis de circunscripción electoral, análisis de sentimiento, recuperación de información, comprensión del lenguaje hablado, traducción automática, vinculación de entidades contextuales, reconocimiento de estilo de escritura, etc.

 

Descubrimiento de fármacos y toxicología
Existen redes neuronales de aprendizaje profundo para el diseño racional de fármacos basado en estructuras. Los investigadores mejoraron el aprendizaje profundo para el descubrimiento de fármacos combinando datos de una variedad de fuentes. Ahora, el aprendizaje profundo se usa para predecir nuevas moléculas candidatas para varios objetivos de enfermedad, especialmente tratamientos para el virus del Ébola, etc.

 

Gestión de relaciones con clientes.
Se usa mucho en marketing directo para la automatización de CRM. Es bueno aproximar el valor de las posibles acciones de marketing directo sobre el valor de vida del estado del cliente.

 

Sistemas de recomendación.
Los sistemas de recomendación han utilizado el aprendizaje profundo para extraer características significativas para las recomendaciones. Se ha aplicado para aprender las preferencias del usuario de múltiples dominios.

Bioinformática.
También se usa para predecir anotaciones de ontología génica, relaciones entre genes y la calidad del sueño en base a datos de vestibles y predicciones de complicaciones de salud de datos electrónicos de registros de salud.

 

Reconocimiento de gestos.
Gesture Recognition es la última incorporación en el área de aprendizaje automático que trata de reconocer los gestos hechos por el rostro humano. Las señales que emiten los sensores son capaces de detectar la emoción en función de la energía, el tiempo de demora y el cambio de frecuencia. También es capaz de identificar el objeto y sus características.

 

10 Startups: aprendizaje profundo

 

Las startups presentan ideas y proyectos absolutamente sorprendentes. Veamos los más brillantes, estos ejemplos son solo una pequeña muestra de las muchas compañías que están utilizando el aprendizaje profundo para hacer cosas innovadoras y emocionantes.

 

1. Bay Labs
Bay Labs es una de las nuevas empresas que aplica el aprendizaje profundo a las imágenes médicas para ayudar a diagnosticar y controlar las enfermedades cardíacas. Quieren empujar los límites del aprendizaje profundo para tener un impacto en la atención médica. Al mejorar el acceso, el valor y la calidad de las imágenes médicas, esperan promover y mejorar la atención médica tanto en el mundo desarrollado como en desarrollo. En Bay Labs, creen que el aprendizaje profundo tiene el potencial de tener un impacto dramático en la causa principal de muerte, la enfermedad cardiovascular.

 

2. Canary
Canary es una empresa de tecnología con sede en la ciudad de Nueva York con la misión de hacer que las personas estén más seguras y más conectadas en sus hogares. Canary es el primer dispositivo de seguridad para el hogar inteligente del mundo para todos. Canary contiene una cámara de video HD y sensores que rastrean todo, desde la temperatura y la calidad del aire hasta la vibración, el sonido y el movimiento. Controlado completamente desde su teléfono inteligente, Canary le avisa cuando detecta algo fuera de lo común, desde picos de temperatura repentinos que pueden indicar un incendio, hasta un sonido y vibración que podrían significar una intrusión. Con el tiempo, Canary aprende los ritmos de su hogar para enviar incluso alertas más inteligentes. Ver video aquí.

 

3. Knit Health
Knit Health es una compañía de visión del sueño cuya misión es ayudar a las familias a dormir mejor y mantenerse más saludables. Combinando nuevas tecnologías de visión por ordenador y aprendizaje profundo, Knit puede proporcionar a las familias los puntos de vista personalizados, las sugerencias y los factores de riesgo sobre lo que sucede durante la noche, todo con solo una cámara. Knit actualmente está trabajando para reemplazar la necesidad del sueño, proporcionando una plataforma centrada en el ser humano y clínicamente precisa para el control del sueño. La plataforma de sueño de Knit tiene la capacidad de aprender y rastrear los marcadores críticos de problemas de sueño, desde la respiración hasta la calidad del sueño y los comportamientos nocturnos, todos sin cables ni vestibles. Con precisión clínica, Knit puede convertir estos datos en información útil para que las familias y los médicos puedan ayudar en la evaluación y el tratamiento de los problemas del sueño.

 

4. BenchSci
BenchSci es una plataforma de aprendizaje automático que ayuda a los investigadores biomédicos a encontrar los mejores compuestos biológicos para sus experimentos. Nació como resultado de la lucha común con la exploración de millones de publicaciones científicas con el fin de encontrar los anticuerpos más adecuados para nuestros experimentos. BenchSci es una plataforma que extrae evidencia de uso de artículos científicos y la organiza en torno a anticuerpos. Con BenchSci, los científicos pueden encontrar los mejores anticuerpos en minutos. Ver video aquí.

 

5. CarePredict
CarePredict está diseñado para resolver un desafío específico en el cuidado de personas mayores: familiares, amigos y cuidadores de una persona mayor pueden no notar los precursores de la disminución de la salud y por lo tanto no intervenir a tiempo para admitir en el hospital problemas fácilmente evitables. Por ejemplo, un adulto mayor que ingresa en una fase depresiva comenzará a tener patrones de sueño inquieto, pérdida de higiene y cambios en los patrones de alimentación varios días antes del episodio. Carepredict está resolviendo el problema de observación continua para el mercado senior con el primer wearable diseñado para personas mayores que rastrean sus actividades de la vida quotidiana, desde despertar, bañarse, dormir, calidad de sueño hasta cepillarse los dientes, comer, beber, cocinar y más . Da ideas útiles. Ver video aquí.

 

6. Drive.ai
Drive.ai es una nueva empresa de Silicon Valley fundada por antiguos compañeros de laboratorio del Laboratorio de Inteligencia Artificial de la Universidad de Stanford. Están creando Aprendizaje profundo para vehículos autónomos. Comenzaron este proyecto porque creen que esta tecnología tiene el potencial de salvar vidas y transformar industrias. Ver video aquí.

 

7. Enway
Desarrollan la pila de software para vehículos de servicio autónomo. Creen en asociar vehículos autónomos y trabajo humano para hacer que los trabajos como la limpieza de calles o la recolección de basura sean más seguros, fáciles y eficientes.

 

8. Visenze
Visenze simplifica la búsqueda y la categorización en su base de datos de imágenes con búsqueda visual y reconocimiento de imágenes a través de una integración API. Desarrolla aplicaciones comerciales que utilizan redes de aprendizaje profundo para potenciar el reconocimiento de imágenes y el etiquetado. Los clientes pueden usar imágenes en lugar de palabras clave para buscar los productos de una empresa que coincidan con elementos similares. Los propietarios y marcas de medios usan ViSenze para convertir las imágenes en oportunidades de participación inmediata, como recomendaciones de productos y orientación de anuncios.

 

9. Atomwise
Aplica redes de aprendizaje profundo al problema del descubrimiento de fármacos. Atomwise utiliza redes de aprendizaje profundo para ayudar a descubrir nuevos medicamentos, para explorar la posibilidad de reutilizar medicamentos conocidos y probados para su uso contra nuevas enfermedades.

 

Libros de aprendizaje profundo que valen la pena leer

 

Deep Learning por Ian Goodfellow, Yoshua Bengio, Aaron Courville
El aprendizaje profundo es una forma de aprendizaje automático que permite a los ordenadores aprender de la experiencia y comprender el mundo en términos de una jerarquía de conceptos. El libro ofrece antecedentes matemáticos y conceptuales, que cubren conceptos relevantes en álgebra lineal, teoría de la probabilidad y teoría de la información, computación numérica y aprendizaje automático. Describe las técnicas de aprendizaje profundo utilizadas por los profesionales de la industria, incluidas las redes de feedforward profundas, la regularización, los algoritmos de optimización, las redes convolucionales, el modelado de secuencias y la metodología práctica; y examina aplicaciones tales como procesamiento de lenguaje natural, reconocimiento de voz, visión artificial, sistemas de recomendación en línea, bioinformática y videojuegos. Además, el libro ofrece perspectivas de investigación, que cubren temas teóricos tales como modelos de factores lineales, autoencoders, aprendizaje de representación, modelos probabilísticos estructurados, métodos de Monte Carlo, la función de partición, inferencia aproximada y modelos generativos profundos.

 

Deep Learning: A Practitioner’s Approach por Josh Patterson, Adam Gibson
Al leer este libro, te sumergirás en los conceptos de aprendizaje automático en general, así como en el aprendizaje profundo en particular. Comprenderás cómo evolucionaron las redes profundas desde los fundamentos de las redes neuronales y explorarás las principales arquitecturas de redes profundas, incluidas las convolucionales y recurrentes. Además, aprenderás a mapear redes profundas específicas para el problema correcto.

 

Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms por Nikhil Buduma, Nicholas Locascio
El Aprendizaje profundo se ha convertido en un área de investigación extremadamente activa. En este práctico libro, los autores proporcionan ejemplos y explicaciones claras para guiarlo a través de los principales conceptos de este complicado campo. Empresas como Google, Microsoft y Facebook están desarrollando activamente equipos internos de aprendizaje profundo. Sin embargo, el Aprendizaje profundo sigue siendo un tema bastante complejo y difícil de entender. Este libro te dará una base sólida de comprensión profunda de aprendizaje.

 

Si te gustó este artículo sobre aprendizaje profundo , te puede gustar:

 

Barcelona como ciudad intelignete

Mapa de los “main players”: ecosistema startup y tech en Barcelona

Proyectos IoT que cambiarán el mundo 

Ecosistema de salud digital en Barcelona

Cluster de salud digital  

Inovación disruptiva: ejemplos