En posts anteriores hemos hablado de IA basada en reglas y de ML clásico con modelos ligeros. El siguiente paso natural es el Deep Learning, una familia de técnicas que usa redes neuronales profundas para resolver problemas donde los patrones son demasiado complejos para capturarlos con reglas o modelos sencillos.

Aquí no hablamos todavía de chatbots que generan texto, sino de modelos que son capaces de entender imágenes, audio, secuencias de tiempo o grandes volúmenes de datos: reconocer qué hay en una foto, detectar anomalías en una serie temporal o clasificar eventos repetitivos en logs.

---

¿Qué hace distinto al Deep Learning?

Mientras que el ML clásico suele trabajar con columnas bien definidas (edad, CPU media, RAM usada…), el Deep Learning destaca cuando:

• La entrada es compleja: imágenes, audio, señales, texto bruto, secuencias largas.
• Los patrones son no lineales y difíciles de escribir a mano.
• Necesitas que el modelo aprenda las características relevantes directamente de los datos, sin tanto trabajo manual de “feature engineering”.

Tres familias de modelos muy presentes en este tipo de problemas son:

• CNN (Convolutional Neural Networks)
  Especializadas en imágenes y datos “espaciales”. Aprenden a detectar bordes, formas, estructuras y, a partir de ahí, objetos y patrones visuales.
• RNN (Recurrent Neural Networks) y variantes modernas (LSTM/GRU)
  Diseñadas para secuencias: texto, series temporales, señales. Tienen “memoria” de lo que ha ido ocurriendo antes.
• Transformers
  Popularizados por los modelos de lenguaje, pero muy útiles también para secuencias y datos donde importa mucho el contexto global. Son la base de muchos modelos actuales que trabajan con texto, series temporales y hasta audio.

Además, el Deep Learning permite trabajar con embeddings: representaciones numéricas compactas de cosas como palabras, frases, imágenes o eventos, de forma que elementos similares queden “cerca” en ese espacio matemático. Esto facilita tareas de búsqueda, similitud y clustering.

---

Visión por computador: inspección de imágenes de infraestructura

Un ejemplo muy claro para el mundo de infra es la visión por computador aplicada a imágenes:

• Inspección de equipamiento físico
  • Fotos de racks, cableado, salas de CPD, cuadros eléctricos…
  • Un modelo basado en CNN puede detectar:
    • Etiquetas mal colocadas o ausentes.
    • Elementos fuera de su sitio.
    • Señales visuales de sobrecalentamiento, humedad o suciedad.
• Supervisión remota
  • Cámaras en salas de servidores, centros de datos, espacios técnicos.
  • Alertas si aparece un elemento que no debería estar (objetos, personas, puertas abiertas, etc.).

En lugar de revisar manualmente centenares de fotos o vídeos, el modelo hace una primera pasada y señala los casos “sospechosos” para revisión humana.

---

Series temporales: predicción de capacidad y demanda

Otra área muy natural para Deep Learning son las series temporales: métricas que evolucionan en el tiempo, como CPU, memoria, tráfico de red, IOPS, latencia…

• Predicción de capacidad
  • Dados meses de métricas de uso de un cluster o servicio, modelos tipo RNN o Transformers para series temporales pueden:
    • Predecir el uso futuro.
    • Anticipar picos o tendencias de crecimiento.
    • Ayudar a planificar ampliaciones de capacidad con semanas de antelación.
• Detección de patrones complejos
  • Hay comportamientos que no son meros “picos”: combinaciones de señales en varios servicios que, juntas, anuncian un problema.
  • El Deep Learning puede aprender correlaciones entre múltiples métricas y detectar situaciones que a simple vista pasarían desapercibidas.

Esto se traduce en menos sustos de última hora y decisiones de capacidad más informadas, especialmente en entornos donde el tráfico es muy variable.

---

Embeddings y clasificación de logs

Los logs son un caso curioso: son texto, pero muy estructurado y repetitivo. Aquí el Deep Learning aporta dos piezas clave:

• Embeddings de logs
  • Cada línea (o grupo de líneas) de log puede convertirse en un vector numérico (embedding) que capture su significado.
  • Logs similares quedan cerca unos de otros en ese espacio, lo que permite agrupar, buscar y detectar patrones.
• Clasificación y detección de anomalías
  • Con embeddings y modelos adicionales puedes:
    • Clasificar logs en tipos de eventos (“normal”, “warning conocido”, “error nuevo”).
    • Detectar logs que no encajan en ningún patrón conocido, lo que suele ser síntoma de un problema nuevo o poco frecuente.

En la práctica, esto te ayuda a pasar de “millones de líneas de texto” a grupos y señales accionables, priorizando qué investigar primero.

---

Cuándo tiene sentido usar Deep Learning

No todo requiere Deep Learning. De hecho, muchas tareas se resuelven mejor con ML clásico o con reglas. Pero hay situaciones donde este enfoque marca la diferencia:

• Cuando trabajas con imágenes, audio o texto bruto y quieres que el sistema aprenda patrones por sí mismo.
• Cuando las series temporales son complejas y dependen de muchos factores a la vez.
• Cuando los logs son enormes y necesitas agruparlos, clasificarlos o detectar anomalías de forma más inteligente que con simples búsquedas o regex.

En estos casos, invertir en modelos más sofisticados tiene sentido porque:

• Automatizas tareas que serían imposibles o carísimas de hacer a mano.
• Detectas problemas antes y con mayor precisión.
• Eres capaz de explotar mejor las señales que ya tienes (imágenes, métricas, logs) sin añadir más “sensores” físicos.