Aprendizaje profundo
Sinónimos: Deep learning · DL
Definición ampliada
El aprendizaje profundo es un subcampo del aprendizaje automático basado en redes neuronales con múltiples capas. Estas capas transforman progresivamente los datos y permiten aprender representaciones útiles directamente a partir de imágenes, texto, audio u otras señales.
Su expansión se apoyó en mayores conjuntos de datos, capacidad de cómputo y mejoras de entrenamiento. Es la base de muchas arquitecturas contemporáneas, incluidos los transformadores y los modelos de lenguaje grandes [1].
Contexto histórico
Las redes neuronales tienen una historia larga, pero su etapa moderna se apoyó en más datos, cómputo especializado y mejoras de entrenamiento. Los resultados en visión de comienzos de la década de 2010 consolidaron el término aprendizaje profundo y aceleraron su adopción en otros dominios [1].
Importancia actual
A fecha de agosto de 2026, el aprendizaje profundo sigue siendo la base de numerosos sistemas de visión, lenguaje, audio y datos multimodales. La arquitectura transformer amplió ese alcance, pero no elimina las necesidades de validación, trazabilidad ni evaluación por población y contexto [2].
Aplicaciones
Generales
- Reconocimiento y generación de imágenes.
- Transcripción, síntesis y reconocimiento de voz.
- Traducción y generación de lenguaje.
- Detección de objetos y conducción asistida.
Sanitarias
- Clasificación y segmentación de imágenes médicas.
- Procesamiento de señales fisiológicas.
- Extracción de información de texto clínico.
- Apoyo a la detección de lesiones, siempre con validación clínica.
Limitaciones
- Suele necesitar muchos datos y recursos computacionales.
- Puede ser difícil explicar qué rasgos sustentan una predicción.
- Es vulnerable a cambios entre el conjunto de entrenamiento y la práctica.
- Un rendimiento experimental alto no implica beneficio clínico.
- Puede amplificar sesgos o depender de correlaciones espurias.
Ejemplos
Un estudio entrenó una red convolucional para clasificar lesiones cutáneas y comparó su rendimiento con dermatólogos en tareas delimitadas [3]. El resultado no convierte al modelo en un sistema diagnóstico autónomo ni evita la necesidad de validación prospectiva.