BDTechTalks

El ex CEO de Google Eric Schmidt y el investigador de Google AI Maithra Raghu desarrollaron un estudio donde explican diferentes técnicas de aprendizaje profundo (deep learning) y cómo podría aplicarse en la investigación científica, un campo abarcado ampliamente en una época donde muchos científicos buscan soluciones para combatir el coronavirus.

El estudio titulado “Una encuesta de aprendizaje profundo para el descubrimiento científico” (A Survey of Deep Learning for Scientific Discovery), los investigadores y especiales en inteligencia artificial, responden a una serie de interrogantes acerca de qué tan efectivo puede ser el aprendizaje profundo (Deep Learning) y las redes neuronales en la investigación científica y sus posibles inconvenientes.

La cantidad de datos recopilados en una amplia gama de dominios científicos está aumentando dramáticamente tanto en tamaño como en complejidad.

Este rico corpus de datos puede proporcionar muchas oportunidades emocionantes para el aprendizaje profundo y aplicaciones en entornos científicos.

¿De qué forma se puede implementar el aprendizaje profundo en la investigación científica?

El aprendizaje profundo o deep learning es una de las ramificaciones del aprendizaje automático que abarca las redes neuronales profundas, es decir un modelo de datos que emula el comportamiento de las redes neuronales reales o la actividad neuronal real.

Estas redes neuronales presentan una serie de conexiones y su comportamiento se construye o aprende a raíz de gran cantidad de datos y algoritmos para el procesamiento de los mismos, es por esto que uno de los primeros requerimientos para realizar alguna investigación a través de deep learning es un gran volumen de datos.

En este sentido, los científicos advierten que: “En muchos entornos, el aprendizaje profundo puede no ser la mejor técnica para comenzar o la más adecuada para el problema”. 

Para los casos con los que no se cuente con gran cantidad de datos o esta fácil de organizar y manipular, otras herramientas de inteligencia artificial como aprendizaje automático o incluso un modelo de regresión antes de usar redes neuronales que pueden generar resultados más precisos con pocos datos.

Deep learning y las investigaciones del COVID-19

Lo que han dejado claro los científicos es que el aprendizaje profundo no debe aplicarse en situaciones que solo planteen soluciones a simples modelos matemáticos. Sin embargo, en la investigación científica las redes neuronales convolucionales (CNN) tienen cabida en el análisis de imágenes médicas.

Actualmente los algoritmos de aprendizaje profundo se aplican en medicina que examinan tomografías computarizadas y rayos X y optimizan el diagnóstico de enfermedades como el cáncer Es por esto qu los científicos han usado CNN para encontrar síntomas del nuevo coronavirus en las radiografías de tórax.

La tecnología llamada COVID-Net, es una red neuronal convolucional entrenada para interpretar gran data de unas 5,941 imágenes pertenecientes a más de 2000 pacientes con diversas enfermedades pulmonares.

El proyecto de código abierto fue liberado para que investigadores y desarrolladores de todo el mundo analicen y perfeccionen las imágenes que optimizarán un diagnóstico más óptimo del coronavirus, aunque esta herramienta se encuentra en período de pruebas, el hecho de que haya liberado que vaya “aprendiendo” a raíz de los conocimientos e imágenes aportadas por muchos especialistas del mundo sin duda es un avance.

COVID-Net

Del mismo modo, los científicos señalan que el aprendizaje profundo en el procesamiento del aprendizaje natural, mientras que otra de las ramificaciones de IA, el aprendizaje por refuerzo es otra área que se muestra prometedora para la investigación científica, aunque la recolección de datos es difícil y costosa.

Schmidt y Raghu explican una cantidad de técnicas que pueden ser implementas y aprovechadas por los médicos y desarrolladores en el campo de la investigación científica, como la atribución de características que producen mapas destacados como los de  GradCAM, LIME y RISE.

A medida que la cantidad de datos recopilados en muchos dominios científicos diversos continúa aumentando tanto en cantidad como en complejidad, los métodos de aprendizaje profundo ofrecen muchas posibilidades interesantes tanto para problemas predictivos fundamentales como para revelar propiedades sutiles del proceso de generación de datos subyacente.

Mientras que la técnica de inspección del modelo, intenta sondear las neuronas en las capas ocultas de una red y encontrar el tipo de entrada que las activa. Esta se aplicó en GANPaint, una tecnología que permite examinar los efectos de la manipulación de neuronas individuales.

De esta forma los investigadores afirman que las aplicaciones del aprendizaje profundo en las investigaciones científicas son amplias siempre y cuando se cuente con el volumen de datos necesario para enseñar a las CNN.