¿Qué son las redes neuronales? Concepto y usos principales

Las redes neuronales artificiales son uno de los exponentes de la inteligencia artificial (IA), bajo el paraguas del aprendizaje automático o machine learning, que hace posible que las máquinas puedan ejecutar tareas o funciones que no éramos capaces de automatizar con los sistemas convencionales.

Sin duda, la inteligencia artificial posibilita una disrupción tecnológica sin precedentes que está cambiando nuestra sociedad de manera vertiginosa. Está produciendo cambios en muchos ámbitos: en el mercado laboral debido a que las máquinas cada vez son más inteligentes y autónomas para realizar actividades que antes solo podían ser realizadas por personas; en la manera en que compramos con técnicas de publicidad y marketing centradas en nuestras preferencias; en la forma en la que consumimos contenidos multimedia; en la investigación farmacéutica y médica para el tratamiento enfermedades para las que no había cura, etc.

Claves de las redes neuronales

Las redes neuronales artificiales son un modelo computacional que permite simular el comportamiento del cerebro humano, es decir, dotar a las máquinas de la capacidad de aprender de una manera similar a como lo hace nuestro cerebro. Para conseguir esto, hacen falta profesionales especializados en IA, logro que sea posible gracias a postgrados como el Maestría en Inteligencia Artificial de UNIR México.

Una red neuronal artificial está formada por neuronas artificiales, que son unidades o nodos que reciben información del exterior o de otras neuronas, de manera similar a los impulsos nerviosos que reciben las neuronas del cerebro humano, las procesan y generan un valor de salida que alimenta a otras neuronas de la red o son la salida hacia el exterior de la red.

Una neurona artificial está formada por:

• Un conjunto de entradas que son los enlaces o interconexiones por donde reciben información del exterior de la red o de otras neuronas. Cada una de las entradas está ponderada por un peso que determina la importancia de la información que recibe por esa interconexión y que es un valor que se va ajustando durante el entrenamiento de la red neuronal para minimizar el error de la red y que los resultados sean más fiables.

• Un conjunto de funciones:
  • Función de propagación: que relaciona matemáticamente los valores de las entradas, sus pesos y un sesgo (bias) para el cálculo del valor de salida de la neurona.
  • Función de activación: que determina si la neurona está activa o no, es decir, si produce un valor de salida o no.
  • Función de transferencia: que modula o adapta el valor calculado de salida de la neurona.
• La salida de la neurona que es el enlace o interconexión por donde entrega el resultado al exterior de la red neuronal u otras neuronas.

Tipos de redes neuronales

Las redes neuronales se pueden clasificar en base a su estructura:

• Monocapa: la red neuronal está formada por una única capa de neuronas que recibe valores del exterior de la red, las procesa y genera unos valores de salida que entrega como resultado. Las neuronas de la capa no se interconectan entre ellas.
• Multicapa: es el tipo de red neuronal más extendido. Consta de una capa de entrada que recibe valores del exterior, una serie de capas intermedias u ocultas que van procesando la información y una capa de salida que entrega los resultados de la red neuronal. Las neuronas de una capa se interconectan con todas las neuronas de la capa siguiente, pero no entre ellas.
• Convolucional: son similares a las redes neuronales multicapa, pero la diferencia radica en que en estas las neuronas de cada capa no se interconectan con todas las de la capa siguiente, si no con un subconjunto de estas, y no se interconectan entre las neuronas de la misma capa. En este caso se habla de especialización de las neuronas (grupos) y se reduce la cantidad de unidades necesarias y la complejidad de los sistemas que utilizan este tipo de redes.
• Concurrentes: en estas redes las neuronas no se organizan en capas, sino que las neuronas están interconectadas entre ellas de manera no estructurada en capas. Esto permite que estas redes tengan memoria, es decir, que la información generada en iteraciones anteriores afecte al resultado del procesamiento en un tiempo futuro.
• Radiales, etc.

En función del tipo de aprendizaje de la red neuronal se clasifican en:

• Supervisado: el aprendizaje de la red neuronal se realiza mediante secuencias de entrenamiento donde se dispone del resultado que debería producir la red neuronal para cada secuencia. Se van ajustando los pesos de las neuronas para conseguir minimizar el error de la red.
  • Corrección de error: se utilizan algoritmos de cálculo del error como mínimo error cuadrado (LMS), backpropagation o propagación hacia atrás, etc.
  • Estocástico: cambios aleatorios en los pesos hasta conseguir los mejores resultados.
• No supervisado: se basa en algoritmos que buscan patrones, relaciones, tendencias, características en los datos de entrada para ir ajustando los pesos, como por ejemplo técnicas de clustering…
• Refuerzo: similar al aprendizaje supervisado, la única diferencia es que no se dispone del resultado que debería proporcionar la red neuronal para las secuencias de entrenamiento, si no que se le indica si el resultado es aceptable o no para esa secuencia y así se van ajustando los pesos.

Aplicaciones de las redes neuronales

Los principales ejemplos, o al menos los más conocidos, de la utilización práctica de las redes neuronales son:

• Sistemas de reconocimiento de voz como los empleados en los altavoces inteligentes o HomePod de Amazon, Google o Apple.
• Vehículos de conducción autónoma de Tesla y Uber.
• Los chatbots como Siri de Apple, Alexa de Amazon y Cortana de Microsoft.
• Sistemas de seguridad perimetral para la detección de intrusiones en tiempo real mediante el procesado de imagen captada por las cámaras de videovigilancia.

A medida que se aumenta la capacidad de cómputo, las redes neuronales van evolucionando y mejorando, posibilitando que actividades o tareas que antes eran imposibles de automatizar mediante lenguajes de programación convencionales ahora forman parte de nuestro día a día.