Web & Business

¿Qué es una red neuronal artificial?

0

Una mirada al papel de los nodos neuronales y cómo se usa el aprendizaje profundo para crear algoritmos

En el corazón de muchos sistemas informáticos de inteligencia artificial se encuentran las redes neuronales artificiales (ANN). Estas redes se han inspirado en los arreglos biológicos que se encuentran en un cerebro humano.

Usando una estructura de «neuronas» conectadas, estas redes pueden distinguir arreglos numéricos «aprendiendo» a procesar ciertos estímulos y creando evaluaciones sin la participación de humanos.

Un ejemplo práctico de esto es el uso de una RNA para identificar objetos en imágenes. En un sistema construido para identificar la imagen de un gato, se enseñará una RNA en un conjunto de datos que comprende imágenes que están etiquetadas como “gato”, que pueden usarse como punto de referencia para cualquier análisis futuro. Así como las personas pueden aprender a reconocer a un perro basándose en características distintivas, como una cola o un pelaje, también lo hace una ANN, al dividir cada imagen en sus diversos componentes, como el color y las formas.

En términos prácticos, una red neuronal ofrece un nivel de clasificación y ordenación que se ubica en la parte superior de los datos administrados, lo que ayuda a agrupar y agrupar los datos en función de las semejanzas. Es posible producir filtros de spam complejos, algoritmos para encontrar comportamientos fraudulentos y herramientas de relación con el cliente que miden con precisión el estado de ánimo, todo ello utilizando una red neuronal artificial.

Cómo funciona una red neuronal artificial

Las RNA se inspiran en la organización neurológica del cerebro humano. https://www.itpro.co.uk/network-internet se construyen utilizando nodos computacionales similares a neuronas que conversan entre sí a lo largo de canales como la forma en que funcionan las sinapsis. Esto significa que la salida de un nodo computacional afectará el procesamiento de otro.

Las redes neuronales significaron un salto enorme en el desarrollo de la inteligencia artificial, que hasta entonces se había basado en el uso de procesos predefinidos y la intervención humana regular para crear el resultado deseado. Una ANN permite que la carga analítica se distribuya a través de una red de varias capas interconectadas, cada una de las cuales contiene nodos interconectados. A medida que la información se procesa y contextualiza, se transmite al siguiente nodo y pasa por las capas. La idea es permitir que se introduzca por goteo información contextual adicional en la red para informar el procesamiento en cada etapa.

Una estructura básica de una sola red neuronal de capa ‘oculta’

Al igual que la estructura de una red de pesca, una sola capa de una red neuronal conecta los nodos de procesamiento mediante hilos. La gran cantidad de conexiones permite una comunicación mejorada entre estos nodos, aumentando la precisión y el rendimiento del procesamiento de datos.

A continuación, las ANN apilarán varias de estas capas una encima de la otra para analizar los datos, creando un flujo de entrada y salida de datos desde la primera capa hasta la última. Aunque el número de capas variará según la naturaleza de la RNA y su tarea, la idea es pasar datos de una capa a otra, agregando información contextual adicional a medida que avanza. Esto se desvía ligeramente del cerebro humano, que está conectado mediante una matriz 3D, en lugar de una serie de capas.

Como un cerebro orgánico, los nodos ‘disparan’ a través de una RNA cuando reciben estímulos específicos, pasando la señal a otro nodo. Sin embargo, en el caso de las ANN, la señal de entrada se define como un número real, siendo la salida la suma de las distintas entradas.

El valor de estas entradas depende de su ponderación, que sirve para aumentar o disminuir la importancia que se le da a las entradas respectivas a la tarea que se está realizando. El objetivo es tomar un número arbitrario de entradas binarias y traducirlas en una única salida binaria.

Una red neuronal más compleja, aumentando la sofisticación de su procesamiento.

Los modelos anteriores de redes neuronales usaban estructuras poco profundas, donde solo se usaba una capa de entrada y salida. Los sistemas modernos ahora se componen de una capa de entrada, donde los datos ingresan primero a la red, múltiples capas ‘ocultas’, que agregan complejidad al análisis, y una capa de salida.

Aquí es donde se deriva el término ‘aprendizaje profundo’: la parte ‘profunda’ se refiere específicamente a cualquier red neuronal que use más de una capa ‘oculta’.

El ejemplo de la fiesta nocturna

Para explicar cómo funciona una red neuronal en la práctica, reduzcamos a un ejemplo del mundo real.

Imagina que te han invitado a una fiesta y estás tratando de decidir si ir. Es muy probable que esté sopesando los pros y los contras e incorporando una variedad de factores en el proceso de decisión. Por el bien de este ejemplo, elegiremos solo tres: «¿irán mis amigos?», «¿Es fácil llegar a la fiesta?», «¿Va a hacer buen tiempo?».

Es posible modelar este proceso utilizando una red neuronal artificial traduciendo estas consideraciones en números binarios. Por ejemplo, podríamos asignar un valor binario a ‘clima’, a saber, ‘1’ para clima despejado y ‘0’ para clima severo. Se repetirá el mismo formato para cada factor decisivo.

Umbral neuronal

Sin embargo, no basta con asignar valores, ya que esto no nos ayuda a tomar una decisión. Para eso, necesitaríamos definir un umbral, es decir, el punto en el que el número de factores positivos supera al número de factores negativos. Según los valores binarios, un umbral adecuado podría ser ‘2’; en otras palabras, necesitaría dos factores para devolver un ‘1’ antes de decidir asistir a la fiesta. Si sus amigos asistieran a la fiesta (‘1’) y el clima fuera bueno (‘1’), esto sería suficiente para pasar el umbral.

Si hacía mal tiempo (‘0’) y era difícil llegar a la fiesta (‘0’), esto no alcanzaría el umbral y decidiría no asistir a la fiesta, incluso si sus amigos asistieran (‘1 ‘).

Ponderación neuronal

Es cierto que ese es un ejemplo muy básico de los fundamentos de una red neuronal, pero con suerte, ayuda a resaltar la idea de valores y umbrales. Sin embargo, el proceso de toma de decisiones es mucho más complejo que este ejemplo, y a menudo ocurre que un factor será más influyente en el proceso de toma de decisiones que otro.

Para crear esta variación, podemos usar ‘ponderación neuronal’; esto dicta qué tan importante es el valor binario de un factor en relación con otros factores multiplicándolo por su ponderación.

Si bien cada una de las consideraciones de nuestro ejemplo podría influir en usted de una forma u otra, es probable que le dé mayor importancia a uno o dos de los factores. Si está completamente desanimado por la idea de salir de la casa durante un fuerte aguacero, entonces el mal tiempo superará las otras dos consideraciones. En este ejemplo, podríamos darle mayor importancia al valor del clima dándole una ponderación más alta:

- Clima = w5
- Amigos = w2
- Distancia = w2

Si imaginamos que el umbral ahora se ha establecido en 6, el mal tiempo (un valor 0) evitaría que el resto de las entradas alcancen el umbral deseado y, por lo tanto, el nodo no se ‘dispararía’ (usted decidiría no ir al fiesta).

Nuevamente, es un ejemplo simple, pero proporciona una descripción general de cómo se toman las decisiones en función del peso de la evidencia proporcionada. Si va a extrapolar esto a, digamos, un sistema de reconocimiento de imágenes, las diversas consideraciones sobre si asistir a una fiesta (entradas) serían las características desmanteladas de una imagen determinada, ya sea color, tamaño o formas. Un sistema de entrenamiento para identificar a un perro, por ejemplo, puede dar mayor peso a las formas o al color.

Cuando una red neuronal está en entrenamiento, los pesos y umbrales se establecen en valores aleatorios. Luego, estos se ajustan continuamente a medida que los datos de entrenamiento se pasan a través de la red hasta que se logra un resultado consistente.

Beneficios de las redes neuronales

Las redes neuronales pueden aprender orgánicamente. Es decir, las salidas de una red neuronal no están completamente limitadas por las entradas; Las redes neuronales artificiales pueden generalizar las entradas, lo que las hace valiosas para los sistemas de reconocimiento de patrones.

También pueden encontrar atajos para lograr respuestas computacionalmente intensivas. Las redes neuronales artificiales pueden inferir relaciones entre puntos de datos, en lugar de esperar que los registros de una fuente de datos estén conectados de manera inequívoca.

También pueden ser tolerantes a fallas. Cuando las redes neuronales se escalan en varios sistemas, pueden enrutar los nodos faltantes que no pueden comunicarse. Además de enrutar partes de una red que ya no funciona, las redes neuronales artificiales pueden recrear datos por inferencia y ayudar a determinar los nodos que no funcionan. Esto es útil para el autodiagnóstico y la depuración de una red.

Sin embargo, la mayor ventaja que proporcionan las redes neuronales profundas es la capacidad de procesar y agrupar datos no estructurados, como imágenes, archivos de audio, video, texto y datos numéricos. Dada la jerarquía analítica, donde cada capa de nodos se entrena en la salida de la capa anterior, las redes neuronales profundas son capaces de manejar grandes cantidades de estos datos no estructurados para encontrar similitudes antes de que lleguen a un humano.

Ejemplos de redes neuronales

Hay muchos ejemplos de aplicaciones de redes neuronales que aprovechan su capacidad para derivar significado de datos complejos o inexactos.

Reconocimiento de imágenes Las redes neuronales artificiales pueden resolver problemas como el análisis de fotografías para objetos específicos. Estos algoritmos se pueden implementar para distinguir a los perros de los gatos. Más importante aún, se han implementado redes neuronales para diagnosticar cánceres utilizando solo información sobre la forma celular.

Las redes neuronales financieras se han utilizado para calcular el pronóstico del tipo de cambio y el rendimiento de las acciones y la predicción de la selección durante casi 30 años. Las redes neuronales también se utilizan para determinar puntajes crediticios, aprendiendo a identificar correctamente los riesgos crediticios buenos o malos.

Telecomunicaciones Las redes neuronales se han utilizado en empresas de telecomunicaciones para optimizar el enrutamiento y la calidad del servicio mediante la evaluación del tráfico de la red en tiempo real.

Tomado de ITPro
Por: Dale Walker

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *