A la hora de introducirme en la temática del aprendizaje profundo para este TFG me ha movido la curiosidad y el interés por el campo del aprendizaje máquina. Desde mi punto de vista, es un campo con un potencial creciente. Cada vez acumulamos más y diversos datos con los que poder trabajar y obtener resultados prometedores. Otro factor a tener en cuenta es el incremento de la potencia computacional a la que tenemos acceso y el desarrollo tecnológico incesante en hardware que permite explotar generalizadamente todos estos datos acumulados. La idea de la realización de este TFG es tratar de comprender de una mejor forma el modelado de lenguaje natural en el caso particular de traducción de texto. Tratar de diseccionar todos los elementos que componen la arquitectura sequence to sequence y entender qué propósito tiene cada unidad constructiva de la misma, además de los distintos mecanismos y propuestas. Debido a las limitaciones computacionales no me es posible realizar un traductor relativamente bueno. “We found that the large model configuration typically trains in 2-3 days on 8 GPUs using distributed training in Tensorflow.”3. Esta cita muestra la problemática computacional de entrenar este tipo de modelo de una manera completamente óptima. Por ello, he tratado de escalar el problema de forma que pueda obtener un resultado útil, dentro de las posibilidades disponibles.