Las redes neuronales artificiales, abreviadas KNN, son, en pocas palabras, unidades de tratamiento de la información. En este contexto, su principio funcional es tan eficaz que se convierten en un el Bases para el desarrollo Inteligencia artificial mejor dicho por el aprendizaje automático.

Su particularidad es que no funcionan de forma predefinida y siempre igual -como una calculadora de bolsillo, por ejemplo-, sino que son capaces de aprender. Por eso pueden procesar entradas como base de cálculos que no son únicos en sí mismos. Sólo en combinación con muchos otros factores proporcionan un resultado inequívoco, como en la evaluación de síntomas para el diagnóstico de enfermedades.

Por lo general, las redes neuronales artificiales se familiarizan con ciertas reglas durante una fase de entrenamiento con datos de prueba, que más tarde pueden aplicar y adaptar automáticamente. Este texto pretende explicar en principio qué son las redes neuronales artificiales, cómo funcionan y para qué fines concretos pueden utilizarse.

Fundamentos biológicos y funcionamiento de las redes neuronales

Las redes neuronales artificiales son un aspecto de la inteligencia artificial, más concretamente, una subcategoría del aprendizaje automático. Su nombre procede de una analogía: El principio de funcionamiento de las redes neuronales artificiales se deriva de la naturaleza. Son células neuronales replicadasque, por ejemplo, también constituyen la base del procesamiento de señales en el cerebro humano o la médula espinal. Una célula neuronal tiene tres propiedades esenciales que son importantes: la sinapsis, el axón y el cuerpo celular.

La ilustración muestra una representación simplificada de una célula nerviosa humana.

El funcionamiento de las neuronas naturales y artificiales es muy similar: la Las sinapsis son los receptores de los datosn. Cuando perciben actividad, transmiten esta señal al cuerpo celular. Allí, la intensidad de la señal decide si ésta se transmite a través del axón. También en las redes neuronales artificiales, las señales individuales pueden ponderarse y sumarse de forma análoga:

La figura anterior muestra una representación esquemática para ilustrar la función de los nodos en un KNN. Fuente: (hs-bremen.de)

La complejidad del cerebro y las capas ocultas

Al igual que el cerebro humano, donde las neuronas no funcionan individualmente sino conectadas en redes muy complejas, las redes neuronales artificiales también funcionan en red. Más concretamente, esta red consta de un número más o menos grande de capas:

Aquí, en principio Capa de entrada, Capas ocultas y Capa de salida se distinguen entre sí. La forma exacta en que la señal viaja de la capa de entrada a la capa de salida depende en gran medida del reglas de aprendizaje que se modifican durante la fase de entrenamiento. Al igual que en el cerebro humano, estas redes de neuronas artificiales pueden aprender a interpretar las señales de forma diferente.

La dificultad del reconocimiento del habla, por ejemplo, es que señales idénticas, como la simple palabra "hacia", pueden tener significados diferentes. En algunos casos la palabra significa "cerrado" ("La tienda está cerrada") y en otros la palabra adquiere la función de una preposición con significado espacial ("Alguien viene hacia nosotros").

Para poder distinguir estos casos, las redes neuronales necesitan retroalimentación del exterior ("Modelo de retroalimentación"). Durante la fase de entrenamiento, las redes neuronales reciben información de los humanos sobre si han resuelto un caso correcta o incorrectamente. Sin embargo, también existen redes neuronales de autoaprendizaje ("Modelo recurrente") que pueden extraer conclusiones de forma independiente basándose en análisis anteriores.

Por ejemplo, si se quiere aprender una estrategia exitosa para ganar al ajedrez, un algoritmo juega contra sí mismo una y otra vez. De este modo, puede comparar cada partida con las anteriores. Cada vez, recibe automáticamente información sobre el éxito de la nueva estrategia.

La "profundidad" de los KNN

Lo crucial en los KNN son las capas ocultas. A diferencia de la representación simplificada de la figura 3, no suele haber sólo una o dos capas ocultas entre las capas de entrada y salida, sino muchas. Esto también se conoce como la "profundidad" de una red neuronal artificial. Este es también el origen del término "red neuronal profunda" o "aprendizaje profundo". La figura 4 muestra una representación esquemática de una KNN más compleja con mayor profundidad, utilizando el ejemplo de Reconocimiento de imágenes.

Cuantas más capas y más nodos, más tareas complejas pueden resolver las redes neuronales artificiales. Pero las KNN no despliegan sus ventajas exclusivamente cuando se trata de complejidad. Otra propiedad especial de los algoritmos de aprendizaje automático, aunque no funcionen con KNNs, es en general su Capacidad de aprendizaje.

¿Qué importancia tienen las redes neuronales para la economía?

La mayor ventaja es que formarse para una tarea específica pueden. Una vez entrenados, pueden realizar esta tarea mucho mejor que los humanos. Sin embargo, este hallazgo no suele significar que sustituyan a los humanos. Más bien, las redes neuronales artificiales pueden realizar tareas a una escala que es sencillamente imposible para los humanos.

Si, por ejemplo, la tarea consiste en indexar una base de datos con 34 millones de imágenes individuales según su contenido, un ser humano necesitaría meses o incluso años para esta tarea. Una vez que una red neuronal artificial se ha entrenado adecuadamente, puede completar tareas como esta en tan solo unas horas.

Casos prácticos

Debido a la capacidad cuestiones complejas Para poder responderDe ahí pueden derivarse numerosos casos de uso. En el contexto del diagnóstico médico, las redes neuronales artificiales pueden entrenarse para interpretar síntomas o evaluar imágenes de rayos X, ecografías o resonancias magnéticas. Mientras los médicos se topan una y otra vez con límites en el diagnóstico por imagen, las redes neuronales artificiales también se desarrollan en el mismo curso. Algoritmos cada vez mejor.

También para Tareas de clasificación en distintos ámbitos Las redes neuronales son ideales para este fin. Ya sea en los controles de solvencia de los bancos o en los controles de calidad, por ejemplo en la industria alimentaria, donde las frutas y verduras deben clasificarse según determinados criterios. Además, las redes neuronales son especialmente adecuadas para:

• Generación y reconocimiento de voz: banca telefónica, traducción de lenguas extranjeras, textos de anuncios automáticos
• Previsiones futuras y determinación de tendencias: El tiempo, los precios de las acciones
• Sistemas de control con autoaprendizaje: robótica, vehículos autónomos o máquinas de producción
• Reconocimiento de patrones y caracteres: contenido de imágenes, escritura, rostros
• Desarrollo de juegos, entretenimiento y cultura: ajedrez, skat, composición musical, creación de imágenes como la app Prisma
• Tareas de optimización: Optimización de rutas de viaje teniendo en cuenta factores variantes como informes de atascos, datos meteorológicos, datos de tráfico, etc. o en el ámbito del suministro de energía.
• Simulación: entrenamiento de brazos robóticos en realidad virtual para su posterior uso en el mundo real.

Las redes neuronales artificiales como base del aprendizaje automático

Aprendizaje profundo es una de las formas más exitosas de redes neuronales artificiales. Este método de aprendizaje se denomina "profundo" porque las numerosas capas ocultas confieren a la red neuronal cierta profundidad. Existen otras numerosas formas o clases para implementar sistemas de aprendizaje, como las matrices de aprendizaje, las redes neuronales oscilantes, las máquinas de Boltzmann o las redes neuronales recurrentes.

La capacidad de aprender explica en gran parte el éxito actual de ciertas aplicaciones de la IA. Permiten aprender de la "experiencia", es decir, de los datos, y -siempre que se disponga de suficientes datos de entrenamiento- deducir una regla general a partir de un gran número de casos individuales y aplicarla a casos futuros. Por tanto, no sólo constituyen la base del aprendizaje automático, sino también la razón de logros revolucionarios en el campo de la inteligencia artificial.