Las limitaciones del Deep Learning

Las nuevas tecnologías han brindado a nuestra sociedad grandes oportunidades para desarrollarse día a día. Herramientas como el Machine Learning o el Deep Learning forman parte de algunos de los campos más importantes en la actualidad. Pero todas estas tecnologías, como cualquier otra, tienen sus limitaciones. El Aprendizaje Profundo hace que las máquinas no dependan de los seres humano y aprendan de manera automática. Sin embargo, estos sistemas todavía están lejos de imitar a la perfección el cerebro humano. ¿Quieres saber por qué? ¡No dudes en leer nuestro siguiente artículo!

Defectos en el Aprendizaje Profundo

Es verdad que en estos últimos años las redes neuronales desarrolladas mediante Deep Learning han tenido mucho éxito. Esto es debido a que pueden resolver un gran número de problemas, e incluso hacer tareas que los seres humanos realizan. Sin embargo, un estudio de la Universidad de California para la revista PLOS Computational Biology lo pone en duda. Un grupo de expertos realizaron cinco experimentos en los que probaron que era muy fácil engañar a una de estas redes neuronales. Es decir, no es lo mismo que usar una perspectiva humana.  Philip Kellman, uno de los profesores de psicología de UCLA ya explicó: “Las máquinas tienen severas limitaciones que estamos tratando de entender”.

Deep Learning y fiabilidad

En el primer experimento que hicieron, estos expertos trataron con una de las mejores redes de Deep Learning, VGG-19. Mostraron a esta red imágenes en color de animales y objetos, pero estas imágenes habían sido modificadas. En una de ellas, la superficie de una pelota de golf se desplegaba como el contorno de una tetera. Y por ejemplo, en otras las típicas rayas de las cebras se pusieron sobre un camello. VGG-19 sólo puedo hallar 5 de 40 objetos en la primera ronda.

Hongjing Lu, profesor de la UCLA comentó que es muy fácil engañar a estos sistemas. Esto es debido a que sus mecanismos de aprendizaje son mucho menos sofisticados que los de la mente humana. Uno de los ejemplos del estudio, es que la red neuronal reconoció que la imagen de la tetera era una pelota de golf por sus textura. Philip Kellman explica que esto no ocurre así con los humanos, que identificamos los objetos primero por su forma. Algo que hizo evidente que la red neuronal estaba usando un método distinto al humano.

Distintos tipos de errores

Durante el segundo experimento, los expertos enseñaron imágenes de figuras de cristal a VGG-19 y a otra red neuronal distinta. La segunda, AlexNet, también basada en Deep Learning. En todos los experimentos donde se pusieron a prueba a las dos redes, VGG-19 iba por delante. Las dos redes estaban entrenadas para reconocer objetos mediante una base de datos de imágenes denominada ImageNet. No obstante, en la prueba de las figuras de cristal ambas redes tuvieron gran cantidad de errores.

Ninguna de las dos redes neuronales pudieron identificar las figuras de cristal en el primer intento. Una figura que era un elefante, tuvo una calificación de 0% de ser un elefante por ambas redes. Incluso los datos de VGG-19 sorprendieron a los investigadores. En una de las pruebas dijo que un abridor de latas era un oso polar. Por otro lado, la red AlexNet solo pudo resolver correctamente 328 figuras de 1000. Hongjing Lu aclara que “las máquinas hacen errores muy diferentes a los que cometen los seres humanos”.

Más resultados

A continuación, en el tercer experimento, los expertos mostraron a las redes 40 dibujos en esbozados en negro con imágenes en blanco. Ambas redes tuvieron un gran número de errores. Los resultados de este experimento supuestamente podían determinar si las redes estaban usando la forma del objeto para saber qué era. Los investigadores afirman que el objetivo de los experimentos no es engañas a estas redes. Sino aprender cuando pueden estas actuar de la manera más humana posible o si lo hacen de alguna forma.

En el cuarto experimentos, se mostró a las redes 40 imágenes en negro. En este caso, las redes neuronales eligieron correctamente el 50% de los objetos. Algo mejor que en los anteriores experimentos. Para terminar, los investigadores revolvieron las imágenes para que fuese más difícil reconocerlas. Después, escogieron 6 imágenes y VGG-19 reconoció 5 de ellas. Algo increíble, ya que esta tarea es difícil incluso para el ser humano. La conclusión del estudio fue que las redes identifican distintos fragmentos de los objetos, mientras que los humano ven los objetos completos.

Deep Learning en Alcalá de Henares

Aunque el Deep Learning, o Aprendizaje Profundo, tenga ciertas limitaciones, la realidad es que es una herramientas con gran nivel de implementación. Es por ello que en universidades de todo el mundo se realizan cursos y másteres dedicados exclusivamente a ello. En España, uno de los más prestigiosos es el Máster en Deep Learning de la Universidad de Alcalá. Si te interesa el Deep learning y el Machine Learning, esta es una gran oportunidad para tí. ¡No dudes en inscribirte!