APRENDIZAJE PROFUNDO FRENTE A APRENDIZAJE AUTOMÁTICO

El  aprendizaje profundo es un tema que cada vez adquiere mayor relevancia en el campo
de la inteligencia artificial (IA). Siendo una subcategoría del aprendizaje automático, el
aprendizaje profundo trata del uso de redes neuronales para mejorar cosas tales como el
reconocimiento de voz, la visión por ordenador y el procesamiento del lenguaje natural.
Rápidamente se está convirtiendo en uno de los campos más solicitados en informática.
En los últimos años, el aprendizaje profundo ha ayudado a lograr avances en áreas tan
diversas como la percepción de objetos, la traducción automática y el reconocimiento de
voz (todas ellas áreas especialmente complejas para los investigadores en IA).

Neuron
as / Imagen: dominio público
RED NEURONAL

En tecnología de la información, una red neuronal es un sistema de programas y

estructuras de datos que se aproxima al funcionamiento del cerebro humano. Una
red neuronal suele implicar un gran número de procesadores funcionando en paralelo,
teniendo cada uno de ellos su propia pequeña esfera de conocimiento y acceso a datos en
su memoria local. Habitualmente, en un principio una red neuronal se “adiestra” o se
alimenta con grandes cantidades de datos y reglas acerca de las relaciones (por ejemplo,
“un abuelo es más viejo que el padre de una persona”). Luego, un programa puede
indicar a la red cómo comportarse en respuesta a un estímulo externo (por ejemplo, a un
dato que introduce un usuario de ordenador que está interactuando con la red) o puede
iniciar la actividad por sí misma (dentro de los límites de su acceso al mundo externo).

APRENDIZAJE PROFUNDO FRENTE A APRENDIZAJE AUTOMÁTICO

Para entender qué es el aprendizaje profundo, lo primero que hay que hacer es
distinguirlo de otras disciplinas que pertenecen al campo de la IA.

Una consecuencia de la IA fue el aprendizaje de máquina, donde el ordenador extrae

conocimiento a través de experiencia supervisada. Esto solía implicar a un operador
humano que ayudaba a la máquina a aprender proporcionándole cientos o miles de
ejemplos de formación y corrigiendo manualmente sus errores.

Si bien el aprendizaje de máquina se ha convertido en un elemento dominante en el

campo de la IA, presenta ciertos problemas. Por un lado, consume muchísimo tiempo.
Por otro, aún no constituye una verdadera medida de inteligencia de máquina ya que se
apoya en la ingenuidad humana para proponer las abstracciones que permiten que el
ordenador aprenda.

A diferencia de lo que ocurre con el aprendizaje de máquina, el aprendizaje profundo

está menos sometido a supervisión. Implica, por ejemplo, la creación de redes
neuronales a gran escala que permiten que el ordenador aprenda y “piense” por sí mismo
sin necesidad de intervención humana directa.

El aprendizaje profundo “realmente no presenta el aspecto de un programa informático”,

afirma Gary Marcus psicólogo y experto en IA de la Universidad de Nueva York. En
este sentido, comenta que el código informático ordinario está escrito siguiendo pasos
lógicos muy estrictos. “Pero lo que cabe encontrar en el aprendizaje profundo es algo
distinto. No hay una serie de instrucciones indicando que: “si una cosa es verdadera, haz
esta otra cosa”, afirma. En lugar de estar basada en la lógica lineal, el aprendizaje
profundo se basa en teorías acerca cómo funciona el cerebro humano. El programa
está constituido por capas anidadas de nodos interconectados. Después de cada nueva
experiencia, aprende reacomodando las conexiones entre los nodos.

El aprendizaje profundo ha demostrado que tiene potencial como base para crear software
capaz de determinar emociones o eventos descritos en un texto incluso sin que sean
citados explícitamente, reconocer objetos en fotografías y realizar sofisticadas
predicciones acerca del probable futuro comportamiento de las personas.

EL JUEGO DEL APRENDIZAJE PROFUNDO

En 2011, Google puso en marcha el proyecto Google Brain, que creó una red neuronal
entrenada con algoritmos de aprendizaje profundo destacando por demostrar su capacidad
para reconocer conceptos de alto nivel.

El año pasado, Facebook creó la Unidad de investigación en IA, utilizando

conocimiento experto en aprendizaje profundo para ayudar a crear soluciones que
identificarán mejor rostros y objetos que aparecen en los 350 millones de vídeos y
fotografías que se transfieren diariamente a Facebook. Un ejemplo de aprendizaje
profundo en acción es el sistema de reconocimiento de voz que se incluye en Google
Now o en el sistema de Apple denominado Siri.

EL FUTURO

El aprendizaje profundo promete muchos avances, haciendo que la construcción

de automóviles sin conductor y la creación de mayordomos robóticos constituyan
posibilidades reales. Aún están limitados, pero lo que pueden lograr resultaba impensable
hace solo algunos años. Y el ritmo al que avanzan no tiene precedentes. La capacidad de
analizar conjuntos de datos masivos y de utilizar el aprendizaje profundo en sistemas
informáticos que puedan adaptarse a la experiencia, en lugar de depender de un
programador humano, conducirá a avances tecnológicos de calado. Abarcan desde
descubrimientos de medicamentos o el desarrollo de nuevos materiales hasta la creación
de robots con un mayor nivel de consciencia acerca del mundo que los rodea. Quizás
esto explica por qué razón Google se ha ido de compras últimamente y las empresas de
robótica han estado situadas en el principio de su lista. En cuestión de meses, han
adquirido ocho empresas de robótica.

Este texto se ha publicado anteriormente en el perfil de Linkedin de Ahmed Banafa.

Ahmed Banafa
 Experto en IC | Profesor | Autor | Orador

Referencias:

http://www.technologyreview.com/news/524026/is-google-cornering-the-market-on-
deep-learning/

http://www.npr.org/blogs/alltechconsidered/2014/02/20/280232074/deep-learning-
teaching-computers-to-tell-things-apart

http://searchnetworking.techtarget.com/definition/neural-network

Hoy quiero hablar acerca de un concepto o estrategia de aprendizaje denominada aprendizaje

profundo. Un término que va íntimamente ligado a otros conceptos como el aprendizaje
superficial y el aprendizaje estratégico.

Mi intención, por tanto, en esta entrada será la de definir qué se entiende por aprendizaje
profundo (orientado al significado), qué características presenta y en qué se diferencia del
aprendizaje superficial (orientado a la reproducción o repetición) y el aprendizaje estratégico
(orientado al rendimiento o al logro). Porque no todos nuestros alumnos aprenden por igual.
Porque conocer cómo aprenden, qué les motiva y qué medios utilizan para aprender se me
antojan como tres de los grandes retos a los que asistiremos en las aulas de ahora en
adelante.

¿Quieres saber más sobre en qué consiste el aprendizaje profundo? ¿Quieres conocer en qué
se diferencia, por ejemplo, del aprendizaje superficial y del aprendizaje estratégico? Si es así,
estaré encantado de que me acompañes en la lectura de este artículo.

Así que, sin más demora, zarpamos…

 Imagen extraída de Shutterstock

¿Qué se entiende por aprendizaje

profundo?
El aprendizaje profundo consiste dotar de significado una nueva información (Biggs y Tang,
2007), es decir, se trata de una estrategia que tiene como finalidad incorporar una perspectiva
crítica sobre un determinado aprendizaje y, al hacerlo, favorecer su comprensión y permitir su
retención a largo plazo y con la posibilidad de que dicho aprendizaje sirva más adelante para la
resolución de un determinado problema en un contexto determinado.

Si leemos con detenimiento esta definición, no daremos cuenta de que, en definitiva, el

aprendizaje profundo se centra en la comprensión y en cómo se puede aplicar y fijar un
aprendizaje para siempre.

Aprendizaje profundo vs. Aprendizaje

superficial.
Una vez hemos definido qué se entiende por aprendizaje profundo, me gustaría insistir en una
idea que me parece fundamental y que apunta J. Hattie al afirmar que: «Necesitas tener
aprendizaje profundo y aprendizaje superficial» (Hattie, 2013).

Esta afirmación de Hattie supone que ambos aprendizajes, el superficial y el profundo, no se

contraponen, sino que se complementan. Esto quiere decir que ambos son necesarios para
que nuestros alumnos aprendan. Así, el aprendizaje profundo no supone una alternativa al
aprendizaje superficial, sino un complemento.

¿Y qué sucede con el aprendizaje estratégico?

Este aprendizaje se caracteriza por buscar todos los medios posibles para destacar y obtener
unos resultados académicos altos. De ahí que la debamos relacionar más con el aprendizaje
superficial que con el profundo. Así, el alumno escoge el método o estrategia que considera
más adecuada para alcanzar el éxito en el objetivo deseado.

Por tanto, es un aprendizaje que se caracteriza por se intencional, consciente, planificado y el

que la autorregulación juega un papel decisivo, dado que es el propio alumno el que está
pendiente de su propio progreso en relación al objetivo que se ha marcado.

¿Qué características presenta el

aprendizaje profundo?
A continuación, me gustaría daros a conocer algunos de los rasgos o características que
conforman la esencia del aprendizaje profundo y que son:

 Motivación intrínseca que fomenta el aprender como fuente de satisfacción.

 Aprendizaje centrado en el significado.
 Vinculación de un conocimiento nuevo con otras asignaturas.
 Conexión entre el conocimiento y la vida real.
 Fomento de espíritu crítico, el análisis y la metacognición.

Estas y otras características se alejan del modelo de aprendizaje superficial que se

caracterizaría por:

 Motivación extrínseca, donde el principal objetivo es aprender para aprobar una

asignatura.
 Aprendizaje centrado en la acumulación de datos que se adquieren de manera
memorística.
 Escasa relación entre un conocimiento y su aplicación a la vida real.
  Ausencia de reflexión.
 Se centra en la intención de cumplir los requisitos de una tarea.

¿Qué estrategias promueven el el aula el

aprendizaje profundo?
Ahora que sabemos qué es el aprendizaje profundo y qué características presenta, es el
momento de dar a conocer qué estrategias facilitan dicho aprendizaje. Entre las más
importantes estarían:

 Aprender para comprender.

 Fijar unos objetivos claros, asumibles y realistas.
 Flexibilizar el proceso de apendizaje.
 Priorizar el aprendizaje útil y significativo.
 Entender la figura del docente como un facilitador del conocimiento en lugar de una
transmisor de información.
 Promover metodologías activas que promuevan la cooperación, el pensamiento crítico,
la ayuda muta o la inclusión, como, por ejemplo, aprendizaje cooperativo o el ABP.
 Enfocar el aprendizaje desde una perspectiva competencial, descubriendo y
fomentando las .habilidades y destrezas del alumnado.
 Centrarse en una evaluación formativa y lo calificadora.
 Entender el error como parte fundamental de cualquier aprendizaje.
 Promover el feedback o la retroalimentación.
 Promover estrategias de pensamiento que permitan evaluar, precisamente, la
profundidad de dicho pensamiento y la precisión en sus conclusiones.

¿Qué verbos se relacionan con el

aprendizaje profundo y el aprendizaje
superficial?
Aquí comparto una serie de verbos que tienen como finalidad el hecho de que os podías hacer
una idea del enfoque que damos en función del tipo de aprendizaje que fomentamos en el aula.

Así, para el aprendizaje profundo, hablaríamos de verbos como:

 Secuenciar
 Comparar
 Justificar
 Predecir
 En cambio, cuando nos referimos al aprendizaje superficial, los verbos que guardan relación
con este tipo de aprendizaje serían:

 Definir
 Recordar
 Describir
 Clasificar

Con todo, quiero insistir que cualquier verbos de los que aparece en la lista es válido para el
aprendizaje. De lo que se trata es de darnos cuenta de qué verbo queremos usar en función de
los que queremos transmitir y de cómo queremos que aprendan nuestros alumnos.

Aprendizaje profundo. A modo de

conclusión.
Como docentes, tenemos la oportunidad de enseñar a nuestros alumnos que existen diferentes
maneras de afrontar el aprendizaje. Todas y cada una de ellas son válidas, pero abordar el
aprendizaje desde la profundidad, desde lo relacional, supone un salto cualitativo en la
enseñanza.

Debemos apostar hoy más que nunca por una educación que ponga su acento en hacer del
aprendizaje algo emocionante y satisfactoria. Y hacerlo fomentando la motivación intrínseca,
apostando por metodologías activas, por modelos pedagógicos que ayuden a fomentar la
cooperación, la resolución de problemas y el desarrollo personal, sin que por ello debamos
denostar la repetición o la memorización como una estratgia más de aprendizaje.

Referencias bilbliográficas:

 Hattie, J., Aprendizaje visible para profesores (2017)

 Biggs, J., Tang, C., Teaching for Quality Learning. What student does (2011

Aprendizaje profundo sin misterios: descubre cómo funciona con este

MOOC
febrero 25, 2019 Por Norma Palomino | 3 Comentarios






La relevancia de los datos masivos sigue creciendo más y más en nuestras vidas. Para que cada
vez estos conceptos te sean más fácil de entender y los puedas utilizar en tu trabajo, el BID y
Telefónica han desarrollado el MOOC “Big Data Sin Misterios.” El curso te acercará a varios
conceptos y técnicas del campo de estudios de los datos masivos y el aprendizaje de máquinas,
también conocido en inglés como machine learning. Una de las técnicas de procesamiento de los
datos masivos que se enseña en el curso es el aprendizaje profundo.

El aprendizaje profundo es una herramienta de la inteligencia artificial que es relevante al

desarrollo de soluciones tecnológicas muy poderosas. En este artículo, vamos a explorar esta
técnica para empezar a quitarle el misterio y mostrar alguno de los temas que puedes seguir
aprendiendo a través del curso “Big Data Sin Misterios.”

Desde el aprendizaje automático al aprendizaje profundo

¿Te acuerdas de cómo aprendiste a comunicarte? Fuiste escuchando o viendo las mismas
palabras muchas veces y formaste patrones, para aprender a identificar palabras y conectar
conceptos, hasta saber cómo generar una respuesta.

Las computadoras aprenden de manera parecida. Los chatbots como Cortana y los asistentes
virtuales como Alexa son capaces de “entender” nuestras preguntas y generar respuestas
relevantes gracias al procesamiento de altos volúmenes de datos, que sean datos de texto o
grabaciones de voz. El asistente virtual es entrenado por medio de algoritmos que le exponen a
millones y millones de ejemplos en la pronunciación de cada palabra. Cuando hablamos sobre el
machine learning o el aprendizaje automático, en general se refiere a este proceso de
“entrenamiento” con datos.

El rol de las redes neuronales

Nosotros como humanos tenemos un cerebro que nos facilita este proceso de aprendizaje, sin que
nos demos cuenta. En cambio, las máquinas dependen de ciertos algoritmos para guiarles en los
procesos de aprendizaje, las reglas que utilizan para repasar y hacer sentido de todos los datos
que se enseñan. Podemos decir que el engranaje más importante del aprendizaje profundo son las
redes neuronales, una implementación automatizada del análisis estadístico. El “misterio” detrás
de las redes neuronales es pura estadística y teoría de la probabilidad clásicas: regresiones no-
lineales, y clasificación bayesiana, para nombrar algunas, ciencia generada desde el siglo XVII.
Lo que las redes neuronales hacen es procesar iterativamente grandes volúmenes de datos
cambiando la ponderación de dichas fórmulas, con una capacidad automática enorme. Algo que
un estadista podría hacer a mano con horas y horas de trabajo durante años, es realizado por un
computador en milésimas de segundo.
 Aplicaciones que mejoran vidas
Dada su complejidad y lo “pesado” (en términos de bytes) de procesar medios como las
imágenes y los sonidos, no se había podido avanzar en el uso de algoritmos para procesar este
material hasta hace relativamente poco tiempo. Sin embargo, el aprendizaje profundo ha logrado
cambiar radicalmente esta realidad al poderse procesar estos datos a altísimos volúmenes y
rapidez, así evolucionando el reconocimiento de imágenes, audio y video para tareas de
inteligencia artificial. Los algoritmos de aprendizaje profundo logran segmentar tanto imágenes
como piezas de audio en sus componentes más mínimos (como pixeles). Éstos se procesan
iterativamente en varias rondas, cada una mejorando la capacidad de la máquina de reconocer
una materia semejante a la que “vio” o “escuchó” anteriormente.

Como ejemplo, el Hospital de Oncología María de Dios en Porto Alegre[1] está utilizando
tecnología de Watson-IBM para procesar grandes volúmenes de texto e imágenes en historias
clínicas de pacientes para sugerir tratamientos personalizados conforme cada caso en particular.

El aprendizaje profundo es solamente una herramienta entre muchas que tienen que ver con los
datos masivos. ¡Inscríbete ya mismo al curso “Big Data sin Misterios” para desvelar esta y otras
tecnologías que están revolucionando el mundo!

Por Norma Palomino, Jefa de la Unidad de Servicios de Información del Sector de

Conocimiento, Innovación y Comunicación del BID

[1]  https://www.maededeus.com.br/PortalMedico/Noticia/143/hospital-do-cancer-mae-de-deus-
e-o-1o-da-america-do-sul-a-utilizar-o-watson-for-oncology





Archivado Bajo:Aprendizaje Abierto Etiquetado con:Aprendizaje profundo Inteligencia
Artificial Machine learning MOOCs
Norma Palomino

Como Jefa de la Unidad de Servicios de Información, la función principal de Norma es la de

coordinar programas de tecnologías, análisis de datos, y servicios de información en apoyo a las
actividades del Sector de Conocimiento, Innovación y Comunicación del BID. Los tres pilares de
la Unidad comprenden: 1) manejo de tecnologías (como el sitio web del Banco, el portal de datos
abiertos “Números para el Desarrollo”, y la plataforma de blogs del BID); 2) generación de
reportes analíticos tanto de métricas de productos de conocimiento de BID como de temas
emergentes en el diálogo digital en la Región; 3) suministro de programas de información a
través de servicios de biblioteca