Uno de los argumentos más importantes a favor del deep learning es la calidad de sus resultados, que superan con creces a los de otras tecnologías, especialmente en el ámbito del reconocimiento de imágenes y del procesamiento de voz. Suponiendo que se disponga de datos de entrada de calidad para el training, con deep learning pueden realizarse tareas rutinarias de forma más rápida y eficiente que si las hiciesen personas, y todo ello sin signos de cansancio ni estancamiento de la calidad.
En otras ramas del aprendizaje automático, los desarrolladores analizan los datos primarios y definen regularmente características adicionales que el algoritmo deberá tener en cuenta a la hora de aprender, con el fin de mejorar así su capacidad de predicción. En el deep learning, en cambio, el sistema reconoce por sí mismo variables útiles y las integra en su proceso de aprendizaje, de manera que, tras un entrenamiento inicial, es capaz de aprender sin intervención humana. De esta manera, no se necesita personal especializado para el desarrollo de dichas características.
Hasta hace poco, para hacer posible el aprendizaje automático había que etiquetar o identificar grandes cantidades de datos a mano: para el reconocimiento de imágenes, por ejemplo, los trabajadores debían asignar en primer lugar la etiqueta de gato o perro a las imágenes. Con el deep learning, el training manual requerido es mucho más breve, lo cual es especialmente relevante porque, si bien las empresas suelen recabar grandes cantidades de datos, solo en pocos casos se trata de datos estructurados (números de teléfono, direcciones postales, tarjetas de crédito, etc.). En la mayoría de casos, se guardan datos no estructurados (imágenes, documentos, correos electrónicos, etc.). A diferencia de otros métodos de machine learning, el deep learning es capaz de analizar datos procedentes de fuentes no estructuradas basándose en la tarea que se le haya asignado.
El argumento de que esta tecnología es demasiado costosa como para comercializarse en masa va perdiendo su fuerza: cada vez aparecen más servicios como Vision, de Google o Watson, de IBM, que permiten a las empresas seguirdesarrollando redes neuronales ya existentes en lugar de tener que crearlas desde cero. Gracias a esta posibilidad, en el futuro podremos ver cómo los puntos fuertes del deep learning se desarrollan cada vez más en la práctica empresarial.