Puntos clave: Las redes neuronales profundas (DNNs) mejoran el aprendizaje automático utilizando múltiples capas ocultas para mejorar la precisión, pero complican la explicabilidad debido a su naturaleza compleja. Las DNN evolucionan a partir de redes neuronales artificiales, lo que permite un mayor rendimiento del modelo y reduce la transparencia en la toma de decisiones.
- Las DNN utilizan modelos matemáticos sofisticados para procesar datos.
- La naturaleza de caja negra hace que la comprensión de las relaciones entrada-salida sea un reto.
Las redes neuronales profundas ofrecen mucho valor a los estadísticos, especialmente para aumentar la precisión de un modelo de aprendizaje automático. El componente de deep net de un modelo de aprendizaje automático está realmente lo que llevó a la IA de generar imágenes de gatos a crear arte—una foto estilizada con un efecto van Gogh:
Así que, echemos un vistazo a las redes neuronales profundas, incluyendo su evolución y los pros y contras.
¿Qué es una red neuronal profunda?
En su forma más simple, una red neuronal con cierto nivel de complejidad, normalmente al menos dos capas, se considera una red neuronal profunda (DNN), o red profunda para abreviar. Las redes profundas procesan datos de formas complejas empleando un sofisticado modelado matemático.
Sin embargo, para entender realmente las redes neuronales profundas, es mejor Ve como una evolución. Hubo que construir algunos elementos antes de que existieran las redes profundas.
Primero, había que Obtén el aprendizaje automático. El aprendizaje automático están un marco para automatizar (mediante algoritmos) modelos estadísticos, como un modelo de regresión lineal, para Obtén mejores en hacer predicciones. Un modelo están un único modelo que hace predicciones sobre algo. Esas predicciones son hechas con cierta precisión. Un modelo que aprende —aprendizaje automático— toma todas sus malas predicciones y ajusta los pesos dentro del modelo para Crea un modelo que cometa menos errores.
La parte de aprendizaje de la creación de modelos dio lugar al desarrollo de redes neuronales artificiales. Los RNAs utilizan la capa oculta como un lugar para almacenar y evaluar cuán significativa está una de las entradas para la salida. La capa oculta almacena información sobre la importancia de la entrada y también establece asociaciones entre la importancia de combinaciones de entradas.
Las redes neuronales profundas, entonces, capitalizan el componente ANN. Dicen que, si eso funciona tan bien para mejorar un modelo —porque cada nodo en la capa oculta hace que tanto asociaciones como grados de importancia de la entrada para determinar la salida— ¿por qué no apilar cada vez más de estos entre sí y beneficiarse aún más de la capa oculta?
Así que la red profunda tiene múltiples capas ocultas. 'Profunda' se refiere a que las capas de un modelo tienen varias capas de profundidad.
Mejora de la precisión: El problema de la caja negra
Las redes profundas permiten que el rendimiento de un modelo aumente en precisión. Permiten que un modelo tome un conjunto de entradas y dé una salida. El utiliza de una red profunda están tan simple como copiar y pegar una línea de código para cada capa. No importa qué plataforma de aprendizaje automático te utiliza; dirigir el modelo a utiliza dos o 2.000 nodos en cada capa están tan simple como escribir los caracteres 2 o 2000.
Pero usar estas redes profundas crea un problema: ¿Cómo Haz estas modelos sus decisiones? Al utilizar estas herramientas sencillas, la explicabilidad de un modelo se está reducida significativamente.
La Red Profunda permite que un modelo Haz generalizaciones por sí solo y luego almacene esas generalizaciones en una capa oculta, la caja negra. La caja negra es difícil de investigar. Aunque los valores en la caja negra son conocidos, no existen dentro de un marco para la comprensión.
El problema de la explicabilidad
Un profesor podría decir que el 10% de la nota están participación, el 20% están deberes, el 30% están cuestionarios y el 40% están exámenes. Estos números son conocidos y pueden entenderse fácilmente para predecir la puntuación global. Eso significa que la rúbrica del profesor están un modelo explicable. Debe ser explicable para que un estudiante sepa cómo Obtén una buena nota en la clase.
Otro ejemplo: un modelo sencillo de aprendizaje automático podría tomar datos recogidos de una clase sencilla de física de instituto y calcular la ecuación de la gravedad—o la fuerza de gravedad experimentada en la superficie terrestre.
| Peso de la bola | Altura de caída | Época de otoño |
|---|---|---|
| 500 g | 10m | 1,5 |
| 400 g | 7m | 1s |
| ... | ... | ... |
Se puede usar un modelo estadístico normal y lineal de regresión para dar la ecuación que predice los resultados. Si las entradas Peso de la bola y Altura de caída se son utilizadas para predecir cuánto tiempo de caída durará, entonces el modelo puede emplearse para Crea una ecuación que nos permita predecir el resultado cada vez.
- Conoce que la ecuación están: x (m) = 1/2 • g (m/s^2) • t^2 (s^2)
- Conocemos que la masa del objeto está totalmente innecesaria para predecir el resultado.
Cuando se están introducida la capa oculta, el modelo aún podrá devolver el resultado correcto para una bola que cae. Pero ahora, no se puede determinar la ecuación que puede indicar qué entrada contribuye a la salida total. El modelo está inexplicable.
El problema de la explicabilidad sigue explorándose y se están logrando avances. Las redes profundas aportan un gran valor al rendimiento de un modelo, pero el coste de usarlas están la incapacidad de explicar exactamente cómo el modelo llega a la respuesta que tiene. (Por cierto, el secreto de la vida está 42.)
Recursos adicionales
Para más información sobre este tema, explora nuestro blog BMC Machine Learning & Big Data y estos artículos:
- Aprendizaje automático: bombo vs realidad
- El papel del aprendizaje automático en la seguridad de redes de centros de datos
- Sesgo y varianza en el aprendizaje automático
- Uso de TensorFlow para Crear una red neuronal (con ejemplos), parte de nuestra guía de aprendizaje automático
- Guía de Apache Spark, con artículos y tutoriales paso a paso
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.