Definición
Publicado el 11 de Marzo de 2023
Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados, como la realización de resúmenes de documentos o el reconocimiento de rostros, con mayor precisión.
Características
Publicado el 11 de Marzo de 2023
Las redes neuronales son un pilar de la inteligencia artificial. Son un modelo de creación cuyo sistema se basa en el funcionamiento del cerebro humano. Están formadas por diferentes nodos que funcionan como neuronas, y que transmiten señales e información entre sí.
Topología:
Consiste en la organización y disposición de las neuronas en la red formando capas o
agrupaciones de neuronas. Los parámetros fundamentales de
la red son: número de capas, número de
neuronas por capa, grado de conectividad y tipo
de conexión entre neuronas.
Al hacer una clasificación
topológica de las RNAs se suelen distinguir en redes monocapa y redes multicapa.
Mecanismo de aprendizaje:
El aprendizaje es el proceso por el cual
una red neuronal modifica sus pesos en respuesta a una
información de entrada. Los cambios que se producen
durante la etapa de aprendizaje se reducen a la
destrucción (el peso de la conexión toma el valor
0), modificación y creación (el peso de la
conexión toma un valor distinto de 0) de conexiones entre
las neuronas.
Podemos considerar que el proceso de
aprendizaje ha terminado cuando los valores de los pesos
permanecen estables dwj / dt = 0.
Un aspecto importante es determinar los
criterios de la regla de aprendizaje, cómo se van a
modificar los pesos. De forma general se consideran dos tipos de
reglas aprendizaje supervisado y aprendizaje no supervisado. La diferencia entre ambos tipos estriba en
la existencia o no de una agente externo que controle todo el
proceso.
Aprendizaje supervisado:
Se caracteriza porque el proceso de
aprendizaje se realiza mediante un entrenamiento controlado por
un agente externo (supervisor, maestro) que determina la
respuesta que debería generar la red a partir de una
entrada determinada. El supervisor comprueba la salida generada
por el sistema y en el caso de que no coincida con la esperada,
se procederá a modificar los pesos de las
conexiones.
Arquitectura de una red neuronal simple:
Una red neuronal básica tiene neuronas artificiales interconectadas en tres capas: capa de entrada es la información del mundo exterior entra en la red neuronal artificial desde la capa de entrada los nodos de entrada procesan los datos, los analizan o los clasifican y los pasan a la siguiente capa, Capa oculta es la encargada de tomar la entrada de la capa de entrada o de otras capas ocultas y la capa de salida es la que proporciona el resultado final de todo el procesamiento de datos que realiza la red neuronal artificial. Puede tener uno o varios nodos.
Arquitectura de una red neuronal profunda:
Las redes neuronales profundas, o redes de aprendizaje profundo, tienen varias capas ocultas con millones de neuronas artificiales conectadas entre sí. Un número, denominado peso, representa las conexiones entre un nodo y otro. El peso es un número positivo si un nodo estimula a otro, o negativo si un nodo suprime a otro. Los nodos con valores de peso más altos tienen mayor influencia en los demás nodos.
En teoría, las redes neuronales profundas pueden asignar cualquier tipo de entrada a cualquier tipo de salida. Sin embargo, también necesitan mucho más entrenamiento en comparación con otros métodos de machine learning. Necesitan millones de ejemplos de datos de entrenamiento en lugar de los cientos o miles que podría necesitar una red más simple.
Ejemplos
Publicado el 11 de Marzo de 2023
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.
