Aprendizaje profundo
Deep Learning
¿Qué es el aprendizaje profundo?
- Aprende por sí solo las características con redes neuronales de varias capas
- Una rama poderosa del aprendizaje automático
- El motor de la revolución actual de la IA
Lo que el aprendizaje profundo cambió no es el número de exactitud, sino el orden en que avanza el proyecto. Antes, el experto del dominio dedicaba más de la mitad del plazo a extraer en reglas qué valores indican un defecto, y si esas reglas fallaban, el modelo fallaba igual. En el aprendizaje profundo, esa tarea la ocupan la recolección de datos y el control de calidad de las etiquetas. Por eso el presupuesto también se desplaza de los honorarios de consultoría hacia el costo de uso de GPU y la mano de obra de etiquetado. Y la competencia que se exige al responsable de área pasa de «saber explicar las reglas» a «saber reunir datos útiles y definir criterios».
No todo problema se resuelve con aprendizaje profundo. En datos no estructurados, como imágenes, voz o lenguaje natural, donde es difícil definir las características con palabras, supera ampliamente a otros métodos; pero en datos tabulares, como las hojas de cálculo (por ejemplo, la predicción de abandono de clientes o la evaluación crediticia), el aprendizaje automático tradicional de tipo boosting suele ser más rápido y preciso. El tamaño de los datos también importa. Si con cientos o miles de casos se apilan muchas capas, el modelo termina memorizando (sobreajuste). En esos casos, la opción realista es tomar un modelo grande preentrenado y ajustarlo levemente con datos propios, la transferencia de aprendizaje (ajuste fino). El costo de entrenamiento se paga una vez y en gran monto, pero el de la inferencia se paga cada mes, y ambos conviene evaluarlos por separado.
En el terreno, el punto que más se rompe es la expectativa de que «con aprendizaje profundo, el sistema aprende solo». Si las etiquetas están enredadas, el modelo aprende también ese enredo; con datos en los que el 2 % son defectuosos, clasificar todo como «normal» da una exactitud del 98 %. Un problema más frecuente es la diferencia entre el entorno de prueba (PoC) y las condiciones reales de la planta. No es raro que un modelo de inspección que alcanzaba el 97 % con la iluminación y la cámara de laboratorio caiga al 30 % con solo cambiar la iluminación de la línea. Además, como no puede explicar con palabras la base de sus decisiones, en áreas con obligación de explicación, como la evaluación crediticia o la evaluación de personal, el ciclo de reentrenamiento y el procedimiento de verificación final por una persona deben fijarse de antemano en el contrato para poder responder por las consecuencias.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría
Ara LimEspecialista en liderazgo global, IA y comunicación empresarialTiene sus raíces en la investigación sobre redes neuronales y despegó de verdad a partir de 2006, con los trabajos de Geoffrey Hinton y otros, y en la década de 2010 con las GPU y el big data.
Veámoslo con un caso hipotético. La empresa A, fabricante de componentes automotrices con 320 colaboradores, tenía 12 inspectores que revisaban la apariencia externa en tres turnos. Cada turno tenía criterios distintos: el mismo producto era aprobado por el turno A y rechazado por el turno B, y las reclamaciones de clientes por defectos que llegaron a sus manos sumaban 4 al mes. Iniciaron la adopción de la inspección visual con aprendizaje profundo en un plan de seis meses.
- Ante la objeción del gerente de calidad Kim, «¿cómo va a saberlo la IA si nosotros mismos no podemos definir el criterio?», el ejecutivo responsable propuso reunir primero los productos con dictámenes divididos, y así se obtuvieron 40,000 imágenes de inspección de tres meses.
- Tres inspectores expertos etiquetaron durante dos semanas 6,000 imágenes de defectos en tres tipos: rayaduras, abolladuras y partículas extrañas. Las 800 imágenes en las que los tres no coincidieron en el veredicto se excluyeron del entrenamiento y se llevaron a una reunión aparte para definir los criterios.
- En lugar de entrenar desde cero, el jefe de sección Park, responsable de IA, ajustó con datos propios un modelo público ya preentrenado. Con 2 GPU, confirmó en tres días una precisión de 96.8% en la prueba de concepto (PoC).
- En la primera semana en planta, los casos no detectados aumentaron de golpe; la causa fue el cambio de iluminación de la línea. El jefe de sección Park volvió a fotografiar 5,000 imágenes con la nueva iluminación y reentrenó el modelo, y documentó como regla operativa el reentrenamiento mensual.
- Seis meses después, los reclamos por productos defectuosos que salían de planta bajaron de 4 al mes a 0.5, y el tiempo de inspección por producto pasó de 8 segundos a 2. 7 de los 12 inspectores fueron reasignados a la decisión final y al mantenimiento de equipos.