Des de l’aparició de la intel·ligència artificial (AI) a finals de la primera meitat del segle XX, la tecnologia ha evolucionat de manera estratosfèrica. Durant el seu desenvolupament ha viscut moments de glòria, caracteritzats per la convicció que aquesta tecnologia tenia un gran potencial i l’arribada de grans quantitats de diners per dur a terme recerca, i moments de crisi, anomenats “hiverns de l’AI”, en què la manca de potència de computació no permetia que la tecnologia pogués desenvolupar-se com s’havia esperat i els fons per a recerca desapareixien.
Durant un d’aquells moments de glòria, a la dècada dels 80, va aparèixer una branca de l’AI, l’aprenentatge automàtic o machine learning (ML), que fa servir algoritmes matemàtics que permeten a les màquines aprendre. El machine learning és una manera analítica de resoldre problemes mitjançant la identificació, la classificació o la predicció. Els algoritmes aprenen de les dades introduïdes i després fan servir aquest coneixement per treure conclusions de noves dades.
Ja al segle XXI, l’any 2011, va aparèixer una branca del machine learning anomenada aprenentatge profund o deep learning (DL). La popularitat del machine learning i el desenvolupament de la capacitat de computació dels ordinadors van permetre arribar a aquesta nova tecnologia. El deep learning com a concepte és molt similar al machine learning, però fa servir algoritmes diferents. Mentre que el machine learning treballa amb algoritmes de regressió o amb arbres de decisió, el deep learning fa servir xarxes neuronals que funcionen de manera molt semblant a les connexions neuronals biològiques del nostre cervell.
L’aprenentatge que duen a terme els algoritmes pot ser supervisat o no supervisat segons si requereixen assistència humana o no.
Un sistema d’aprenentatge no supervisat es basa en algoritmes que aprenen de les dades amb elements no etiquetats buscant patrons o relacions entre ells: es faciliten les dades d’entrada (no els de sortida). L’aprenentatge no supervisat no requereix intervenció humana.
Els algoritmes d’aprenentatge no supervisat poden ser de clústering (agrupació), és a dir, descobriment de grups dins les dades, com, per exemple, agrupació de clients segons les seves compres, i d’associació, o sigui el descobriment de regles dins del conjunt de dades. Per exemple, serveixen per descobrir que els clients que compren un cotxe també contracten una assegurança.
En canvi, un sistema supervisat es basa en algoritmes que aprenen de dades amb elements etiquetats. Es faciliten les dades d’entrada i de sortida esperades. Aquest tipus d’aprenentatge necessita intervenció humana.
En aquest cas, els algoritmes poden ser de classificació, per classificar objectes dins de classes, com, per exemple, pacients malalts o correu spam, o de regressió, per predir un valor numèric com pot ser el preu d’una casa, la demanda d’ocupació, el pes o l’alçada.
L’AI ha desenvolupat altres branques des de la seva aparició, com el processament del llenguatge natural (natural language processing, NLP), la robòtica o el reconeixement d’imatges o de la parla (speech and imatge recognition, and machine vision), entre d’altres.
Els algoritmes de ML són algoritmes matemàtics que permeten a les màquines aprendre imitant la forma en què aprenem els humans, encara que el machine learning no són només algoritmes. També és el punt de vista des del qual s’aborda el problema. El machine learning és bàsicament una manera d’aconseguir intel·ligència artificial.
El deep learning (DL) forma part de l’aprenentatge automàtic. De fet, se’l pot descriure com la nova evolució del machine learning. Es tracta d’un algoritme automàtic que imita la percepció humana inspirada en el nostre cervell i la connexió entre neurones. El DL és la tècnica que més s’acosta a la forma en què aprenem els humans.
La majoria dels mètodes de deep learning fan servir arquitectura de xarxes neuronals. És per això que sovint se’l coneix com a “xarxes neuronals profundes” o “deep neural networks”. Se’l coneix com a “deep” en referència a les capes que tenen aquestes xarxes neuronals.
Explicat de manera simple, tant el machine learning com el deep learning imiten la forma d’aprendre del cervell humà. La seva diferència principal és, doncs, el tipus d’algoritmes que es fan servir en cada cas, encara que el deep learning s’assembla més a l’aprenentatge humà pel seu funcionament per neurones. El machine learning acostuma a fer servir arbres de decisió i el deep learning xarxes neuronals, que estan més evolucionades. A més, tots dos poden aprendre de manera supervisada o no supervisada.