En els últims anys, les xarxes neuronals han adquirit una rellevància considerable en els projectes relacionats amb la intel·ligència artificial. De fet, empreses com Google i universitats com Stanford han aconseguit millorar processos d’aprenentatge automàtic utilitzant algorismes de xarxes neuronals.
Encara que la teoria de xarxes neuronals no és un fenomen recent, la majoria del públic encara no està familiaritzat amb ella. És més, encara es confon amb freqüència amb altres conceptes fonamentals de la IA, com el machine learning o el deep learning. En aquest article expliquem què són les xarxes neuronals, com funcionen i quines són les aplicacions per a les quals ja s’han utilitzat.
Què són les xarxes neuronals?
Com el seu propi nom indica, les xarxes neuronals són un mètode de càlcul que busca imitar el funcionament de les neurones en un organisme. D’aquesta inspiració extreu un model d’unitats connectades entre elles, que generen, transmeten i reforcen conceptes per a arribar a conclusions determinades i consolidar-les com a coneixement.
Les xarxes neuronals en intel·ligència artificial no fan més que traslladar el funcionament biològic a l’àmbit matemàtic. De la mateixa manera que, quan aprenem un idioma, el nostre cervell va esbrinant patrons en la gramàtica, un ordinador processa unes dades concretes i descobreix el paràmetre més adequat per a processar-los.
Els models de xarxes neuronals serveixen perquè els ordinadors trobin paràmetres i patrons adequats mitjançant un “entrenament”. Aquest consisteix a alimentar l’ordinador amb dades perquè determini criteris vàlids d’anàlisis i els apliqui. Per exemple, les xarxes neuronals poden servir perquè un dispositiu identifiqui fotografies en les quals hi ha una bicicleta, després d’identificar les formes geomètriques que la composen.
Com funcionen les xarxes neuronals?
Ara bé, com funcionen les xarxes neuronals? Com ja hem esmentat, la seva estructura intenta emular les xarxes neuronals que formen el nostre propi cervell. La xarxa neuronal es composa de neurones o perceptrons, cadascun de les quals s’encarrega de rebre uns valors o dades d’entrada específics.
En rebre aquests valors d’entrada, els perceptrons els modifiquen en funció del seu propi pes, és a dir, la influència que tindran a l’hora de determinar la conclusió que volem extreure. A continuació, aquests valors modificats es mouen a les següents neurones que configuren la xarxa. D’aquesta manera, els valors es van modificant fins que s’aconsegueix una conclusió concreta.
Diferenciació entre Machine Learning i xarxes neuronals
En resum, les xarxes neuronals són un model algorítmic per al reconeixement de patrons, i per tant permeten que un ordinador aprengui. Per això, és molt habitual confondre-les amb l’àmbit més ampli del machine learning.
La diferència està, precisament, en el fet que el machine learning engloba totes aquelles tècniques i mètodes d’aprenentatge que poden utilitzar-se per a aconseguir que un ordinador aprengui. Les xarxes neuronals són només un d’aquests mètodes, però existeixen diversos més: arbres de decisió, models probabilístics, models lineals i un llarg etcètera.
Com crear xarxes neuronals
És més fàcil entendre com crear xarxes neuronals simplificant un exemple real. Una de les xarxes neuronals amb més èxit és la secció de vídeos recomanats de Youtube. La web obté una gran quantitat de dades de les quals pot aprendre: el temps que ens quedem veient un vídeo, els vídeos que seleccionem, els que formen part de la nostra llista de reproducció, els vídeos que hem marcat amb “M’agrada”… A partir d’aquests paràmetres, la missió de Youtube és aprendre els nostres gustos.
Com hem dit, la unitat fonamental d’una xarxa neuronal és el perceptró: un element que connecta amb diverses entrades, cadascuna d’elles amb un “pes” particular. En el nostre exemple, posem que inicialment Youtube valora com igualment importants tots els paràmetres que hem esmentat. Òbviament, donar clic a un vídeo no és tan important com marcar-lo amb un “M’agrada”, per la qual cosa al cap d’una estona deixarà de recomanar-nos vídeos que ens interessin. Segons els resultats, caldrà canviar el pes de les entrades. Aquesta primera fase d’aprenentatge es coneix com a retroalimentació o ajust.
La cosa es complica en afegir el concepte de xarxa neuronal multicapa, que consisteix a afegir més capes neuronals per a aconseguir un resultat millor definit. En el nostre exemple, s’afegeix un perceptró més, encarregat d’esbrinar quants vídeos recomanats s’han marcat amb un “M’agrada”. Si cap s’ha marcat, el perceptró determina que aquestes recomanacions no són vàlides i que per tant ha de modificar el pes d’una de les entrades.
Per descomptat, l’exemple anterior és una simplificació: els perceptrons són només un dels elements que s’utilitzen, i existeixen models de xarxes neuronals molt més complexos, com les xarxes neuronals convolucionals. Aquest tipus de xarxes se solen utilitzar per a identificar objectes en imatges, a través de la cerca de característiques concretes en grups petits de píxels. En lloc de rastrejar tota la imatge, posen l’atenció a formes del mateix color en un espai concret de la imatge. Naturalment, quantes més capes neuronals s’afegeixin a la xarxa, més detalls podran trobar i més fàcil serà que aprenguin a diferenciar una imatge concreta.
Usos de xarxes neuronals
Com hem indicat al principi d’aquest article, les xarxes neuronals ja tenen una mica d’història: les primeres teories sobre elles van començar a publicar-se a mitjans del segle XX. No obstant això, els avançaments tecnològics més recents són els que han permès que aquest model d’aprenentatge automàtic obtingui bons resultats i comenci a aplicar-se.
A més de l’algorisme de recomanació de Youtube, hi ha molts altres exemples de l’aplicació de xarxes neuronals. Sense anar més lluny, Google ha utilitzat aquesta metodologia per a dos projectes diferents: l’ús de xarxes neuronals li va permetre superar el famós test reCAPTCHA d’identificació d’imatges. A més, l’empresa també ha utilitzat una xarxa convolucional per a reconèixer els números dels carrers en Street View.
Les institucions acadèmiques també han estat desenvolupant noves tecnologies d’aprenentatge automàtic mitjançant xarxes neuronals. Stanford va aconseguir generar peus de foto de manera automàtica mitjançant la identificació automàtica d’imatges. Així mateix, la universitat d’Edimburg va utilitzar xarxes neuronals convolucionals per a detectar estratègies d’èxit en el joc Go.
La majoria de projectes anteriors revelen que les xarxes neuronals encara estan en vies de desenvolupament i experimentació. Així i tot, l’augment de la popularitat d’aquesta metodologia apunta al fet que la seva aplicació no trigarà a estendre’s. Tot apunta al fet que les xarxes neuronals es convertiran aviat en un dels pilars de la innovació en el camp de la intel·ligència artificial.