El aprendizaje automático es la tecnología más antigua y sencilla de las dos. Trabaja con un algoritmo que el propio sistema adapta después de recibir feedback de una persona. En otras palabras, esta tecnología requiere alimentar el sistema con datos estructurados y categorizados, para que este pueda deducir cómo clasificar los nuevos datos de ese tipo. A continuación, dependiendo de la clasificación, el sistema lleva a cabo ciertas acciones programadas. Por ejemplo, identifica si aparece un perro o un gato en las fotos y mueve los archivos a diferentes carpetas.
Después de la fase de aplicación inicial, el algoritmo se optimiza mediante el feedback humano, que informa al sistema de las posibles clasificaciones erróneas y de cómo asignar las categorías correctamente.
Para el aprendizaje profundo, en cambio, no es necesario disponer de datos estructurados. Este sistema funciona con redes neuronales multicapa, que imitan el comportamiento del cerebro humano y combinan diferentes algoritmos, lo que permite que el sistema procese incluso datos no estructurados.
El enfoque del aprendizaje profundo es especialmente adecuado para las tareas complejas en las que no todos los aspectos de los objetos pueden clasificarse de antemano. El propio sistema se encarga de buscar los diferenciadores adecuados; en cada capa, se analizan las nuevas entradas en busca de otras características, que el sistema utiliza para decidir cómo clasificar las entradas.
Es importante tener en cuenta que, en el aprendizaje profundo, el propio sistema encuentra los diferenciadores adecuados en los datos sin que se le deba proporcionar una clasificación externa. Por ello, no es necesario que intervenga un desarrollador. El sistema comprueba por sí mismo si se pueden generar nuevas clasificaciones o categorías a partir de las nuevas entradas.
Si bien al aprendizaje automático le basta con una base de datos manejable para funcionar, el aprendizaje profundo requiere una cantidad de datos mucho más alta; el sistema debe disponer de más de 100 millones de puntos de datos para ofrecer resultados fiables.
Además, la tecnología del aprendizaje profundo es más compleja de implementar. Requiere más recursos informáticos y es mucho más cara que el aprendizaje automático, por lo que actualmente no resulta relevante para la gran mayoría de las empresas.