La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano. Una tecnología que todavía nos resulta lejana pero que desde hace unos años está presente en nuestro día a día a todas horas.
Dentro de la Inteligencia Artificial podemos encontrar muchas ramas diferentes. En la figura podemos ver unas cuantas.
Antes de empezar con el concepto de neurona artificial y de Red de Neuronas, se le puede echar un vistazo a una neurona biológica como la de la figura.
Una red neuronal es un modelo de computación cuya estructura de capas se asemeja a la estructura interconectada de las neuronas en el cerebro, con capas de nodos conectados. Es una red o circuito de neuronas artificiales, también llamadas nodos, emulando las neuronas y conexiones biológicas con el objetivo de transmitir señales o información para resolver problemas de inteligencia artificial y aprendizaje profundo.
Las redes neuronales pueden aprender de los datos, de manera que se puede entrenar para que reconozca patrones, clasifique datos y pronostique eventos futuros.
A un nivel muy básico, una neurona, de una red neuronal, consta de cuatro componentes principales: entradas, pesos, un sesgo y una salida.
Tiene unos valores de entrada que se transforman y estudian de una manera concreta para generar un valor de salida, es decir, una función matemática, la definición de esta, es una suma ponderada de los valores de entrada con sus pesos o weights.
Se podría definir la función que hace la neurona como un modelo de regresión lineal. El funcionamiento de la neurona se puede ver en la figura. Por un lado, los valores de entrada X, así como cada peso respectivo W que se usarán para ponderar los inputs. Por otro lado, está el valor B conocido como sesgo o bias que actuará como un offset y, finalmente la Y que será el output o valor de salida de la neurona.
Modelo simplificado de una neurona artificial
Así, una vez entendido el concepto de neurona se da inicio al concepto de una red neuronal. Esta, es un conjunto de neuronas colocadas en distintos niveles o layers. La información de entrada de la red neuronal atraviesa todos estos niveles de la red dónde se le aplican múltiples operaciones produciendo diferentes valores de salida en cada nodo para obtener un output final de la red.
En la figura se puede observar una red neuronal simple con sus partes más relevantes: las neuronas representadas por círculos y sus enlaces respectivos enlaces o flechas.
Cada nivel tiene neuronas conectadas entre sí a través de enlaces. Cada enlace tiene asignado un peso, o weight, que modifica la importancia o estado de activación de las neuronas adyacentes. Al mismo tiempo, neurona tiene una función que define su salida dada una entrada o múltiples entradas, conocida como función de activación.
Los valores de los pesos asignados a cada enlace se van actualizando al reducir la función de pérdida. Este procedimiento se llama propagación hacia atrás, más conocido como backpropagation.
Las redes neuronales pertenecen al campo de aprendizaje profundo, perteneciente al machine learning. Estos sistemas aprenden por sí mismos, en lugar de depender de asistencia constante. Para conseguir que estos algoritmos o redes aprendan, se define una función llamada función de pérdida que va evaluando constantemente el rendimiento de la red. El objetivo es ir minimizando esta función.
Las investigaciones actuales sobre las redes neuronales se centran en el tipo de arquitectura, el número de niveles, las funciones de pérdida e incluso a la manera en que se crean los enlaces entre neuronas. Cada experimento es distinto, y para alcanzar su propio objetivo, puede necesitar de otros experimentos.
Resultan adecuadas para llevar a cabo el reconocimiento de patrones a fin de identificar y clasificar objetos o señales en sistemas de voz, visión y control, o el modelado y la predicción de series temporales.
Algunos ejemplos de uso de las redes neuronales:
- Las compañías eléctricas pronostican la carga de sus redescon precisión para garantizar la fiabilidad y optimizar la eficiencia de los generadores eléctricos que utilizan.
- Los médicos confían en aplicaciones de detecciones de cáncercomo guía a la hora de clasificar los tumores como benignos o malignos en función de la uniformidad del tamaño de las células, el grosor de la masa, la mitosis y otros factores.
Uno de los campos más explorados actualmente, es el de los vehículos autónomos, la detección de objetos y reconocimiento de objetos, reconocimiento de imagen. En el sector de la medicina, se utiliza desde la detección de enfermedades por imagen, la predicción de enfermedades y diversas aplicaciones más dentro del sector de la salud.
