Vamos a abordar un tema interesante y complejo a la vez, por lo que te proponemos que, como primera medida, repasemos juntos algunos conceptos básicos acerca de la inteligencia artificial (IA) y las principales tecnologías derivadas de esta: el machine learning –o aprendizaje automático– y su subespecie, el deep learning –o aprendizaje profundo–. Como veremos a continuación, este último es el que mayor interés viene despertando en el ámbito de la publicidad y el marketing digital, debido a su potencial sin precedentes.
La IA es una subdisciplina del campo de la informática que busca que un dispositivo pueda replicar la inteligencia humana, e incluso superarla. El machine learning persigue dotar a las computadoras de la capacidad de aprender por sí solas a través de enormes conjuntos de datos (big data), mediante la generalización del conocimiento a partir de experiencias específicas.
El deep learning es una rama del aprendizaje automático que imita el comportamiento del cerebro humano en el procesamiento de datos y la creación de patrones de toma de decisiones. Va construyendo múltiples capas de abstracción sobre conjuntos de datos para llegar a una conclusión superior, tal como lo haría la mente humana.
Los humanos tendemos a idealizar las nuevas tecnologías como si siempre se tratara de una revolución que pondrá patas arriba la industria. Con frecuencia los anunciantes se enfrentan a avances revolucionarios y deben ser capaces de distinguir entre aquellos que no aportan ningún valor y los que realmente tienen potencial. Y esto se hace aún más difícil cuando se trata de tecnologías complejas como el deep learning.
Al leer los artículos más recientes sobre IA, uno podría tener la sensación de que el deep learning es la única solución para casi todos los problemas que enfrenta actualmente la industria de la publicidad digital. El aprendizaje profundo promete contrarrestar la “ceguera” de los anuncios impersonales, al tiempo que incrementa su relevancia y mejora la precisión de las predicciones asociadas a ellos.
Ante estas afirmaciones, un experto en tecnología bien podría pensar: “Wow, ¿cómo me he podido perder este gran avance del deep learning?”. Pero lo cierto es que si bien los investigadores le han dedicado más de 20 años –y han hecho progresos significativos en muchas áreas, como el reconocimiento de imágenes y el procesamiento de textos y sonidos–, apenas hemos rascado la superficie de lo que el deep learning puede hacer por la publicidad, así que, en definitiva, no te has perdido nada…
¿Cómo funciona el deep learning en la práctica?
Para entender cómo se aplica el deep learning en la práctica, primero es imprescindible conocer el funcionamiento del machine learning, ya que, como vimos, el aprendizaje profundo es una subespecie del aprendizaje automático. Este último comprende tres áreas:
- El machine learning supervisado empieza con una definición facilitada por un humano. El algoritmo aprende esta lección, la reconoce y la categoriza. El ejemplo más común de esto es el filtro de spam del correo electrónico: detecta características predefinidas, como por ejemplo, “Drogas gratis” o “Has ganado un coche”.
- El machine learning no supervisado empieza con datos no categorizados. El algoritmo los divide en grupos por patrones interpretables, que reconoce. Luego un humano deberá interpretar lo que significan estas agrupaciones de datos, como por ejemplo, “Estos usuarios son compradores frecuentes”.
- El deep learning, en teoría, une lo mejor de ambos tipos de aprendizaje automático. No necesitas definir los patrones de búsqueda, ni tampoco dar un sentido a los resultados. El deep learning puede reconocer que lo que ve en una foto de un perro es un perro, sin necesidad de que una persona le enseñe las características de un perro a un algoritmo, ni analice agrupaciones de características interpretables o rasgos definitorios para encontrar significado en los resultados.
El DL no es una herramienta multiusos
La forma en la que hablamos del deep learning suele recordar mucho a los “infomerciales” televisivos de herramientas de usos múltiples. Prometen que solucionarán todos tus problemas como si se tratara del clásico cortaplumas suizo, que te permite destapar una botella, arreglar la cadena de tu bici, ajustar un tornillo y mucho más.
Una herramienta multipropósito te da mucho valor agregado y puede que sea tu mejor recurso, pero no es en absoluto lo único que necesitas. Cuando el problema sea más complejo, como construir un armario, por ejemplo, precisarás herramientas más robustas, diseñadas para esa tarea en particular.
El deep learning bien podría ser la navaja suiza de bolsillo que siempre hemos esperado, pero en escenarios complejos como el de la publicidad digital, este implemento ciertamente no está preparado para tener el gran impacto que buscamos: para ello serán necesarias otras herramientas, más especializadas.
Haciendo del DL una herramienta de publicidad digital
Implementar una arquitectura de deep learning en publicidad digital implica procesar muchos más datos que los que se suelen procesar en otros ámbitos, como el reconocimiento de imágenes, y además hacerlo en tiempo real.
Actualmente, la potencia necesaria para una arquitectura de deep learning ya es algo difícil de conseguir. Y sí, el aprendizaje profundo es muy útil para extraer y procesar información a largo plazo, pero más allá de esto, ¿es mejor que los modelos tradicionales? No necesariamente…
El deep learning se vale de capas que van procesando grandes cantidades de datos. Las capas bajas detectan características generales, y las capas más altas les dan sentido. Lamentablemente, los datos de publicidad digital no son tan básicos como lo son, por ejemplo, los píxeles de las imágenes.
El deep learning es diferente, pero no necesariamente es mejor
Ni el deep learning es mejor que el machine learning, ni viceversa. En rigor, se trata de evaluar bien cuáles son nuestros objetivos. El deep learning, sin duda, afectará a las plataformas de publicidad en el futuro, pero solo en un contexto en el que esté acompañado de todo el espectro de recursos propios del machine learning.
Lo importante es darse cuenta de que cada herramienta sirve para determinados propósitos. Una llave inglesa no es mejor que un martillo, tan solo se trata de implementos construidos con fines diferentes. ¿Cómo el deep learning puede ayudar a tu empresa? Te sugerimos que empieces siguiendo el método científico y realizando experimentos con tus propios datos y métricas KPIs, midiendo qué solución te aporta más beneficios, independientemente de su implementación interna o del hype que haya sobre ella.
Por: Romain Lellarut, Vicepresidente y Director del Laboratorio de Inteligencia Artificial de Criteo.
