Los próximos pasos del aprendizaje profundo
Aunque este sistema es ideal para analizar datos no estructurados, también se característica por su difícil ejecución, por el requerimiento de grandes cantidades de datos u por el uso de mucha potencia de procesamiento.
Los marcos de aprendizaje profundos aprovechan sistemas complejos de reconocimiento de patrones que proporcionan todo, desde la traducción automatizada de idiomas hasta la identificación de imágenes. Este tipo de aprendizaje es muy prometedor para analizar datos no estructurados. Hay sólo tres problemas: es difícil de hacer, requiere grandes cantidades de datos, y utiliza mucha potencia de procesamiento. Aun así, las grandes mentes están trabajando para superar estos desafíos.
Lo que se está viendo en la actualidad es un choque de supremacía entre marcos de aprendizaje profundos que compiten, como TensorFlow de Google y proyectos como Baidu´s Paddle. También existe una rivalidad entre el hardware y el software. ¿Acaso los grandes avances de aprendizaje profundo vienen dados por un hardware dedicado o no es necesaria esa asistencia? ¿El aprendizaje profundo será accesible para todos o siempre se van a necesitar estudios informáticos para poner esta tecnología en marcha?
Un ejemplo claro de rivalidad es la que tienen Google y Microsoft en esta área. TensorFlow de Google ha sido promovido como una solución general y potente, pero también como una forma de vincular aplicaciones de aprendizaje profundo con la nube de Google y con la aceleración de hardware patentada por Google. Y es aquí donde Microsoft asume el papel de rival con Cognitive Toolkit (CNTK). Pero el reto más directo y significativo de Microsoft con TensorFlow fue hacer que CNTK fuese más rápido y preciso, y proporcionar API Python que exponen funcionalidades de bajo nivel y de alto nivel. Incluso, la compañía de Redmond elaboró una lista de razones para cambiar de TensorFlow a CNTK.
La complejidad del aprendizaje profundo no es el único obstáculo que hay que superar. Los equipos comerciales detrás de todas las plataformas están compitiendo para llenarlo con algo que se asemeje a una solución de extremo a extremo. El próximo paso vital no será solo encontrar el verdadero marco de aprendizaje profundo ya que hay espacio para un montón de ellos. Se tratará de encontrar un único flujo de trabajo del que muchos marcos pueden ser parte de.
