11 JUN 2018

¿Qué son las redes neuronales artificiales para la inteligencia artificial?

Hoy siempre más se habla de las aplicaciones de las redes neuronales artificiales a los problemas conectados con la inteligencia artificial y con el aprendizaje automático. Vamos a ver brevemente y simplemente qué son y cómo estas tecnologías puedan ayudarnos a resolver los problemas en ámbito de ingeniería.

 

Las redes neuronales artificiales

Una Red Neuronal Artificial constituye un modelo matemático adaptivo cuyo objectivo es simular el funcionamiento de las redes neuronales biológicas en un sistema informático. Este modelo se representa como un grafo dirigido con nodos (neuronas artificiales) y arcos (pesos sinápticos) y, en general, se puede esquematizar en tres niveles (o macrocategorías):

  • estrato de entrada: que recibe y elabora las señales en entrada adaptandolas a las peticiones de las neuronas de la red;
  • estrato escondido: que esigue el proceso de elaboración y puede también ser estructurado con más columnas-niveles de neuronas;
  • estrato de salida: que recoge los resultados de la elaboración del estrato escondido y los traslada a las peticiones de eventuales sucesivos estratos/niveles.

Para que este sistema pueda desarollar el papel para el que ha sido proyectado, tiene que ser “adiestrado”, es decir que tiene que “aprender”, por el uso de datos empíricos, como portarse en el momento en el que se verificará aquel problema. Existen diferentes tipos de aprendizaje, dependen del caso de interes y/o de los datos a disposición:

  • Supervisado: se abastecen datos de ejemplo en entrada y los “correspondientes” datos de ejemplo en salida, así el sistema puede inferir la relación entre estos dos conjuntos y extrapolar una regla general que se puede usar para resolver todos los problemas del mismo tipo;
  • No supervisado: se abastece solo un juego de datos en entrada sin alguna indicación del resultado deseado. El sistema, en autonomía, tendrá que detectuar posibles agrupaciones de datos y explicitar esquemas y modelos escondidos usando, generalmente, métodos topológicos y/o probababilísticos;
  • De apoyo: interactuando con el entorno circundante (desde donde se obtendrán los datos de entrada), el sistema trata de alcanzar un objectivo que le permita recibir una “recompensa” – si el ojectivo corresponde a las expectativas – y una “pena” en caso contrario;
  • Semi-supervisado: el sistema obtiene tanto los conjuntos de entrada con las salidas correspondientes (como en el aprendizaje supervisado) como los conjuntos de entrada sin las salidas correspondientes (como en el aprendizaje no supervisado) siempre con el objectivo de detectuar reglas, funciones y modelos útiles para resolver problemas.

 

Aplicación de las redes neuronales artificiales en el campo de la IA

Como hemos anticipado al principio de este artículo, las redes neuronales artificiales se utilizan a menudo en el campo de la inteligencia artificial para enfrentarse e intentar resolver ciertas categorías de problemas. A pesar de su probada utilidad, no podemos decir que estas redes sean realmente “inteligentes” (en el sentido estándar del término): la inteligencia, tal como la conocemos, reside esencialmente en el programador que, después de analizar el problema que se tiene que resolver, ha escrito el código, diseñado un algoritmo o implementado una aplicación para esta tarea.

En un cierto nivel de abstracción, podemos considerar una red neuronal artificial como una caja negra capaz de abastecer resultados de confianza y atendibles a partir de una serie de datos de entrada sin tener una explicación exhaustiva del por qué y cómo se han obtenidos estos datos. Es esencial tener en cuenta que la bondad y la precisión de los datos de salida en cualquier caso estarán fuertemente vinculadas a la cantidad y, sobre todo, a la calidad de los datos en entrada.

Ahora que hemos precisado estos breves, pero fundamentales conceptos, podemos afirmar que una red neuronal puede aplicarse productivamente en todos aquellos problemas donde se requiere una clasificación de datos, donde se quieren identificar patrones y esquemas dentro de una gran cantidad de datos, hacer predicciones e incluso mejorar los resultados obtenidos con otros métodos.

Así es fácil ver que las áreas de aplicación de una red neuronal artificial pueden incluir muchos de los temas estrechamente relacionados con la Inteligencia Artificial, como el control de vehículos y procesos, simuladores de juegos, características y reconocimiento de patrones: radar, detección de objetos, reconocimiento de imágenes, detección de rostros, reconocimiento de textos o audios, diagnóstico médico, aplicaciones financieras, minería de datos y muchos más.

Concluyendo este análisis sobre las redes neuronales artificiales, podemos decir que estas pueden ser vistas como un sistema estadístico muy robusto que, a partir de un contexto “conocido” (o casi), teniendo a su disposición una gran cantidad de datos de buena calidad y un elevado poder computacional (y aquí nos ayudaría el concepto de Big Data pensando en plataformas innovadoras y a los eficientes servicios cloud como AWS de Amazon, Azure de Microsoft, GCP de Goolge y similares), y, debidamente adiestrados, pueden sacar conclusiones útiles para situaciones “nuevas” o aún no exploradas.

Elaborado por Marco Pirrone y Lucia D’Adamo

Últimas Noticias