Las redes neuronales son modelos informáticos de unidades conectadas o nodos diseñados para transmitir, procesar y aprender de la información (datos) de manera similar a cómo funcionan las neuronas (células nerviosas) en los humanos.
Redes neuronales artificiales
En tecnología, las redes neuronales a menudo se denominan redes neuronales artificiales (ANN, por sus siglas en inglés) o redes neuronales para distinguir las redes neuronales biológicas sobre las que se modelan. La idea principal detrás de las ANN es que el cerebro humano es la "computadora" más compleja e inteligente que existe. Al modelar las ANN lo más cerca posible de la estructura y el sistema de procesamiento de información utilizado por el cerebro, los investigadores esperaban crear computadoras que se acercaran o sobrepasaran la inteligencia humana. Las redes neuronales son un componente clave de los avances actuales en inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo.
Cómo funcionan las redes neuronales: una comparación
Para comprender cómo funcionan las redes neuronales y las diferencias entre los dos tipos (biológico y artificial), utilicemos el ejemplo de un edificio de oficinas de 15 pisos y las líneas telefónicas y centralitas que enrutan las llamadas a través del edificio, pisos individuales y oficinas individuales. Cada oficina individual en nuestro edificio de oficinas de 15 pisos representa una neurona (nodo en redes de computadoras o células nerviosas en biología). El edificio en sí es una estructura que contiene un conjunto de oficinas dispuestas en un sistema de 15 pisos (una red neuronal).
Aplicando el ejemplo a las redes neuronales biológicas, la centralita que recibe llamadas tiene líneas para conectarse a cualquier oficina en cualquier piso en todo el edificio. Además, cada oficina tiene líneas que lo conectan con cualquier otra oficina en todo el edificio en cualquier piso. Imagine que entra una llamada (entrada) y la centralita la transfiere a una oficina en el 3rd piso, que lo traslada directamente a una oficina el día 11.th piso, que luego lo transfiere directamente a una oficina en el 5th piso. En el cerebro, cada neurona o célula nerviosa (una oficina) puede conectarse directamente a cualquier otra neurona en su sistema o red neuronal (el edificio). La información (la llamada) se puede transmitir a cualquier otra neurona (oficina) para procesar o aprender lo que se necesita hasta que haya una respuesta o resolución (salida).
Cuando aplicamos este ejemplo a las ANN, se vuelve un poco más complejo. Cada piso del edificio requiere su propia centralita, que solo puede conectarse a las oficinas en la misma planta, así como a las centrales en los pisos superiores e inferiores. Cada oficina solo puede conectarse directamente a otras oficinas en el mismo piso y al panel de control para ese piso. Todas las llamadas nuevas deben comenzar con el panel de control en el primer piso y deben transferirse a cada piso individual en orden numérico hasta el 15th Piso antes de que la llamada pueda terminar. Vamos a ponerlo en movimiento para ver cómo funciona.
Imagina que entra una llamada (entrada) al 1S t tablero de distribución del piso y se envía a una oficina en el 1S t piso (nodo). La llamada se transfiere directamente entre otras oficinas (nodos) en el 1S t piso hasta que esté listo para ser enviado al siguiente piso. Entonces la llamada debe ser devuelta al 1S t tablero de piso, que luego lo transfiere al 2Dakota del Norte centralita de suelo. Estos mismos pasos repiten un piso a la vez, y la llamada se envía a través de este proceso en cada piso hasta el piso 15.
En las ANN, los nodos (oficinas) están dispuestos en capas (pisos del edificio). La información (una llamada) siempre llega a través de la capa de entrada (1S t piso y su tablero de distribución) y deben enviarse y procesarse por cada capa (piso) antes de que pueda moverse a la siguiente. Cada capa (piso) procesa un detalle específico sobre esa llamada y envía el resultado junto con la llamada a la siguiente capa. Cuando la llamada llega a la capa de salida (15th piso y su centralita), incluye la información de procesamiento de las capas 1-14. Los nodos (oficinas) del 15.th capa (piso) utiliza la información de entrada y procesamiento de todas las demás capas (pisos) para obtener una respuesta o resolución (salida).
Redes neuronales y aprendizaje automático
Las redes neuronales son un tipo de tecnología en la categoría de aprendizaje automático. De hecho, el avance en la investigación y el desarrollo de redes neuronales se ha relacionado estrechamente con los flujos y reflujos del avance en el LD. Las redes neuronales amplían las capacidades de procesamiento de datos y aumentan la potencia de cálculo de ML, lo que aumenta el volumen de datos que se pueden procesar, pero también la capacidad de realizar tareas más complejas.
El primer modelo de computadora documentado para las ANN fue creado en 1943 por Walter Pitts y Warren McCulloch. El interés inicial y la investigación en redes neuronales y el aprendizaje automático eventualmente se desaceleraron y se archivaron más o menos en 1969, con solo pequeñas ráfagas de interés renovado. Las computadoras de la época simplemente no tenían procesadores lo suficientemente rápidos o grandes para hacer avanzar estas áreas, y la gran cantidad de datos necesarios para el ML y las redes neuronales no estaban disponibles en ese momento.
Los aumentos masivos en el poder de la computación a lo largo del tiempo, junto con el crecimiento y la expansión de Internet (y, por lo tanto, el acceso a grandes cantidades de datos a través de Internet) han resuelto esos desafíos iniciales. Las redes neuronales y ML ahora son instrumentales en las tecnologías que vemos y usamos todos los días, como el reconocimiento facial, el procesamiento y la búsqueda de imágenes y la traducción de idiomas en tiempo real, por nombrar solo algunas.
Ejemplos de redes neuronales en la vida cotidiana
La ANN es un tema bastante complejo dentro de la tecnología, sin embargo, vale la pena tomarse un tiempo para explorar debido a la creciente cantidad de formas en que impacta nuestras vidas todos los días. Aquí hay algunos ejemplos más de las formas en que las redes neuronales son utilizadas actualmente por diferentes industrias:
- Financiar: Las redes neuronales se utilizan para predecir las tasas de cambio de divisas. También se utilizan en la tecnología detrás de los sistemas comerciales automáticos utilizados en el mercado de valores.
- Medicina: Las capacidades de procesamiento de imágenes de las redes neuronales han contribuido a la tecnología que ayuda a detectar y detectar con mayor precisión los tipos de cáncer en etapa temprana y difíciles de identificar. Uno de estos tipos de cáncer es el melanoma invasivo, la forma más grave y mortal de cáncer de piel. La identificación del melanoma en etapas anteriores, antes de que se disemine, brinda a los pacientes con este tipo de cáncer las mejores posibilidades de vencerlo.
- Clima: La capacidad de detectar cambios atmosféricos que indiquen un evento meteorológico potencialmente grave y peligroso de la manera más rápida y precisa posible es esencial para salvar vidas. Las redes neuronales participan en el procesamiento en tiempo real de imágenes satelitales y de radar que no solo detectan la formación temprana de huracanes y ciclones, sino que también detectan cambios repentinos en la velocidad y dirección del viento que indican un tornado en formación. Los tornados son algunos de los eventos climáticos más fuertes y peligrosos registrados, a menudo más repentinos, destructivos y mortales que los huracanes.
