Quina és la diferència entre Machine Learning i Deep Learning?

L'era de la intel·ligència Artificial, en què ja vivim immersos, ha portat a les nostres vides una gran quantitat de noves idees i termes amb què a poc a poc ens anem familiaritzant. En aquest article analitzarem la diferència entre Machine Learning i Deep Learning, dos conceptes diferents que moltes vegades es confonen.

Per començar, és important establir una primera distinció. Si bé és cert que tots dos conceptes (ML i DL) formen part de la IA, es tracta en realitat de coses diferents, encara que amb molts punts en comú. Dues derivacions de la nova tecnologia que, segons l'opinió de molts, ha arribat per canviar el món.

Tractant de llançar una mica de llum en aquest aparent galimaties, res millor que recórrer a una pràctica analogia per explicar aquestes diferències. Imaginem que la IA és la categoria que engloba tots els mitjans de transport que hi ha (cotxes, bicicletes, trens…). Doncs bé, en aquest esquema el Machine Learning seria l?automòbil, mentre que el Deep Learning seria l?automòbil elèctric.

Dit d'una altra manera, el DL seria una mena d'evolució o especialització del ML. Una branca que surt d'una altra branca que, alhora, neix del tronc de la Intel·ligència Artificial. En els paràgrafs següents aprofundim en això amb més detall.

Aprenentatge automàtic (ML)

Se sol definir el Machine Learning com una subcategoria de la Intel·ligència Artificial que permet als sistemes «aprendre» i prendre decisions basades en dades. Basant-se en models matemàtics complexos, els algorismes de ML s'inspiren en les dades per formular prediccions i prendre decisions, encara que aquests sistemes no hagin estat programats específicament per a aquesta tasca.

Perquè el Machine Learning pugui funcionar plenament, calen conjunts de dades estructurades i prèviament processades. Això comporta inevitablement la intervenció humana, necessària per seleccionar les dades i extreure'n les característiques més rellevants.

El Machine Learning és utilitzat per dur a terme tasques com classificacions de textos, prediccions financeres, sistemes de recomanació de productes, etc.

Aprenentatge profund (DL)

Com apuntàvem al principi del post, el Deep Learning és una mena de subcategoria avançada del Machine Learning. Un model que s'inspira directament en l'estructura del cervell humà. El ML fa servir xarxes neuronals artificials de múltiples capes, també anomenades «xarxes neuronals profundes» les quals us ajuden a identificar patrons complexos a partir de les dades de forma automàtica i molt més eficient.

A diferència del Machine Learning, el Deep Learning no necessita l'ajuda humana per treballar amb grans quantitats de dades no estructurades, ja que pot detectar representacions o característiques per si mateix. A més, com més informació maneja, més afinats són els resultats que ofereix.

El DL és utilitzat per a tasques com a reconeixement d'imatges i processament de llenguatge natural. Entre les aplicacions pràctiques cal esmentar el desenvolupament d'assistents virtuals, vehicles autònoms, eines de generació de contingut i traducció automàtica, entre d'altres.

Machine Learning i Deep Learning: similituds i diferències

Tant el ML com el DL se centren en el desenvolupament de programes capaços d'identificar dades i patrons, però difereixen en la manera de processar les dades i com extreuen i identifiquen característiques.

Per aclarir dubtes, comprarem a Machine Learning i Deep Learning punt per punt. D'aquesta manera resulta més fàcil distingir tots dos conceptes i comprendre'n la veritable dimensió. Confrontem el ML i el DL en tots els aspectes bàsics:

Dades

• ML: Només funciona amb bases de dades relativament petites i ben estructurades.
• DL: Podeu treballar amb grans volums de dades sense estructurar.

algorismes

• ML: Maneja models estadístics i algorismes matemàtics senzills, com ara arbres de decisió.
• DL: Recorre a l'ús de xarxes neuronals profundes.

Extracció de les característiques bàsiques

• ML: Requereix la intervenció humana.
• DL: L'extracció és automàtica, ja que les xarxes n'aprenen les característiques.

computació

• ML: Potència computacional menys intensiva.
• DL: Demana una gran potència computacional (ús de GPUs).

aplicacions

• ML: Predicció de models, sistemes de recomanacions, xatbots datenció al client, etc.
• DL: reconeixement d'imatges, vehicles autònoms, generació de continguts, etc.

Grau de precisió

• Menor precisió en tasques complexes.
• Major precisió en tasques complexes.

El millor és il·lustrar aquestes diferències amb un exemple pràctic: Un model de Machine Learning estaria alimentat per dades proporcionades per un ésser humà, posem una sèrie d'imatges etiquetades com «hi ha un cotxe» i «no hi ha un cotxe». Alhora, afegirien característiques addicionals d'identificació com a color, forma, etc.

En canvi, en un model de Deep Learning, el mètode consisteix a permetre que el sistema bussegi en un immens oceà de dades d'imatges etiquetades perquè ell mateix dugui a terme el procés d'extracció de característiques a través de les xarxes neuronals profundes .

Conclusió

Com a resum, direm que la diferència entre Machine Learning i Deep Learning és que el primer és més simple. Més adequat per treballar amb menys dades i executar tasques més específiques; en canvi, el segon és una arma molt més poderosa per resoldre problemes complexos amb grans quantitats de dades. A més, pot fer les seves tasques gairebé sense intervenció humana.