Críticas al Deep Learning (Inteligencia Artificial_Tarea 4)

El Deep Learning (aprendizaje profundo) se engloba dentro del Machine Learning (aprendizaje automático). Ambos entran dentro de la Inteligencia Artificial (IA), ya que consisten en un conjunto de algoritmos que aprenden por sí mismos. La diferencia entre el Deep Learning y el Machine Learning radica en que el Deep Learning se basa en la imitación del funcionamiento de las redes neuronales de nuestro sistema nervioso, usando un número de parámetros mucho más elevado. 

El Deep Learning (DL) tiene muchas ventajas: permite resolver problemas complejos, destaca por su precisión, puede obtener cada vez mejores resultados, es un sistema independiente, etc.

Sin embargo, a pesar de su gran potencial, el Deep Learning tiene algunas pegas. Algunas de las críticas al Deep Learning desde el punto de vista científico son las siguientes:

• ES DEPENDIENTE DE LA CANTIDAD Y CALIDAD DE LOS DATOS

Las redes neuronales necesitan de gran cantidad de datos para poder aprender. Si la cantidad o calidad de los datos no es suficiente, el DL pierde precisión y puede que no sea la mejor opción. Ej: una palabra que un lector de voz no tiene registrada, se confundirá con otra.

• LE FALTA CAPACIDAD DE ADAPTACIÓN

El Deep Learning funciona mejor en condiciones estables, mientras que falla mucho más en condiciones impredecibles o cambiantes. En muchos casos, una variación en las condiciones del problema puede provocar que la red no funcione. Esto hace que un problema resuelto por DL no pueda transferirse a condiciones distintas a las iniciales con las que se creó. Ej: el sistema de Deep Mind, capaz de ganar al go, solo podía jugar con un tablero de unas medidas determinadas. Si el tablero del juego cambia, el sistema tiene que volver a aprender de nuevo. Esta falta de adaptación hace que el DL no pueda emplearse como solución útil en muchas circunstancias.

• LE FALTA TRANSPARENCIA

Las redes neuronales son opacas, no permiten conocer su funcionamiento interno. Esto hace que sea imposible justificar o interpretar las soluciones obtenidas mediante Deep Learning.

• NO ES CAPAZ DE REALIZAR INFERENCIAS

El DL no es capaz de inferir información a través de datos no explícitos. Esto hace que tampoco pueda diferenciar causalidad y correlación. El Deep Learning es capaz de encontrar correlaciones, pero no es capaz de inferir si existe causalidad en la correlación. Ej: un sistema podría encontrar la correlación entre la altura de un niño y la riqueza en el uso del lenguaje, pero no puede entender la relación de causa entre el crecimiento del niño y su riqueza lingüística.

• NO SON 100% FIABLES

Por todo lo mencionado anteriormente, el DL no es del todo fiable. Además hay que tener en cuenta un par de aspectos más que pueden disminuir su fiabilidad: los sesgos y la posibilidad de que se llegue a una solución que no sea la mejor.

• CONTAMINAN

Para entrenar modelos de DL se necesita gran cantidad de energía, lo que supone emisiones de CO2. También hay que tener en cuenta el gasto energético que supone la fabricación, el funcionamiento y el mantenimiento del hardware.

A pesar de estas limitaciones, el DL es una herramienta con mucho potencial y que crece a pasos agigantados. Sin tener mucha idea, confío en que los problemas mencionados se irán puliendo, consiguiendo mejores resultados.

Fuentes

https://la.mathworks.com/discovery/deep-learning.html

https://www.elespanol.com/omicrono/tecnologia/20170603/machine-learning-deep-diferencia/220978351_0.htmlhttps://telos.fundaciontelefonica.com/la-cofa/las-limitaciones-del-aprendizaje-profundo/

https://blog.infaimon.com/machine-learning-deep-learning/#:~:text=Respecto%20al%20procesado%20de%20im%C3%A1genes,necesario%20reconfigurar%20todo%20el%20algoritmo.