Glosario de IA · Fundamentos
Deep learning
En una frase
El deep learning o aprendizaje profundo es un tipo de machine learning que usa redes neuronales con muchas capas. Cada capa extrae rasgos más abstractos de los datos, lo que permite trabajar con texto, voz e imágenes sin reglas escritas a mano.
También se llama: aprendizaje profundo · DL · aprendizaje profundo con redes neuronales
¿Qué es el deep learning?
Es la técnica que ha hecho práctica la IA que entiende texto, voz e imágenes. Antes, para que un sistema reconociera una factura o una palabra hablada, había que decirle qué rasgos mirar. Con el deep learning, la red aprende esos rasgos sola a partir de muchos ejemplos.
Llévalo a tu empresa
Agentes de IA para atender a tus clientes
Desde 49 €/mes + IVA
Voz, WhatsApp y email con la línea incluida: agente, números y CRM en la misma cuota.
Ver planes y preciosLas ideas existen desde hace décadas, pero despegaron en torno a 2012, cuando se juntaron tres cosas: grandes conjuntos de datos, tarjetas gráficas capaces de hacer el cálculo y mejoras en los métodos de entrenamiento. Desde entonces es el motor de casi todo el machine learning aplicado a datos complejos.
Relacionado con este término
Agentes UTIO
- Atienden 24/7 en 26 idiomas
- Montarlo tú cuesta 0 €: se crea leyendo tu web
- Prueba de 14 días sin tarjeta
Desde 49 €/mes + IVA
Ver planes y preciosCómo funciona
La base es la red neuronal: capas de unidades conectadas entre sí, cada conexión con un peso numérico.
- Entrada. Los datos entran convertidos en números: los píxeles de una imagen, el audio de una llamada o los tokens de un texto.
- Capas ocultas. Cada capa transforma lo que recibe de la anterior. Las primeras captan rasgos simples (bordes, sonidos); las siguientes los combinan en conceptos más complejos (letras, palabras, intenciones).
- Salida. La última capa da el resultado: una etiqueta, una transcripción o el siguiente token de una respuesta.
Durante el entrenamiento, se comparan las salidas con las correctas y se ajustan los pesos, que son los parámetros del modelo. Los modelos de lenguaje actuales son redes profundas con miles de millones de parámetros.
Ejemplo
Una distribuidora de bebidas de Córdoba recibe los pedidos de bares por notas de voz de WhatsApp y por albaranes fotografiados. Detrás de cada paso hay deep learning: un modelo convierte la nota de voz en texto, otro lee el albarán fotografiado y un modelo de lenguaje extrae producto, cantidad y fecha de entrega.
Nadie programó reglas para el acento de cada cliente ni para cada formato de albarán. Las redes lo aprendieron de muchos ejemplos de voz y de documentos.
Cómo te afecta en tu empresa
No necesitas entender las capas para aprovecharlas, pero sí sus consecuencias. Un modelo de deep learning funciona por patrones aprendidos: acierta mucho, pero no explica sus razones y puede fallar con casos muy distintos de los que vio. Por eso conviene que un agente sepa decir «no lo sé» y pasar a una persona.
En UTIO, el deep learning está detrás de cada pieza del agente de voz: entender la llamada, decidir la respuesta y hablar con voz natural. En el API de IA, la transcripción, el texto a voz y el OCR son también modelos profundos, accesibles con una sola clave.
Preguntas frecuentes
¿Por qué se llama «profundo»?
Por el número de capas de la red neuronal. Una red con muchas capas entre la entrada y la salida es «profunda». No tiene que ver con que el sistema entienda más a fondo, sino con su arquitectura.
¿Qué diferencia hay entre deep learning y machine learning?
El deep learning es una parte del machine learning. Los métodos clásicos suelen necesitar que una persona elija qué rasgos de los datos mirar; el deep learning aprende esos rasgos por sí mismo. A cambio, pide muchos más datos y potencia de cálculo.
¿Dónde se usa el deep learning?
En el reconocimiento de voz, la traducción automática, la lectura de documentos escaneados, el reconocimiento de imágenes y en los modelos de lenguaje que sostienen los chats y agentes de IA.
Términos relacionados
- Red neuronal
Una red neuronal artificial es un modelo matemático formado por capas de unidades conectadas, llamadas neuronas, que transforman una entrada numérica en una salida. Aprende ajustando el peso de cada conexión a partir de ejemplos.
- Machine learning
El machine learning o aprendizaje automático es la rama de la IA en la que un sistema aprende a hacer una tarea a partir de ejemplos, en lugar de seguir reglas escritas a mano, y mejora su resultado a medida que ve más datos.
- Transformer
Un transformer es una arquitectura de red neuronal que procesa todas las palabras de un texto a la vez y usa un mecanismo de atención para decidir qué partes se relacionan entre sí. Es la base de casi todos los modelos de lenguaje actuales.
- LLM
Un LLM (large language model, modelo de lenguaje grande) es un modelo de IA entrenado con enormes cantidades de texto para predecir la siguiente palabra. Esa capacidad le permite redactar, resumir, traducir, clasificar y conversar.
- Parámetros de un modelo
Los parámetros de un modelo son los valores numéricos internos, sobre todo los pesos de una red neuronal, que se ajustan durante el entrenamiento y guardan lo aprendido. Su número se usa como medida aproximada del tamaño del modelo.
Actualizado el