En los últimos años, las redes neuronales han adquirido una relevancia considerable en los proyectos relacionados con la inteligencia artificial. De hecho, empresas como Google y universidades como Stanford han logrado mejorar procesos de aprendizaje automático utilizando algoritmos de redes neuronales.
Aunque la teoría de redes neuronales no es un fenómeno reciente, la mayoría del público todavía no está familiarizado con ella. Es más, todavía se confunde con frecuencia con otros conceptos fundamentales de la IA, como el machine learning o el deep learning. En este artículo explicamos qué son las redes neuronales, cómo funcionan y cuáles son las aplicaciones para las que ya se han empleado.
¿Qué son las redes neuronales?
Como su propio nombre indica, las redes neuronales son un método de cálculo que busca imitar el funcionamiento de las neuronas en un organismo. De esa inspiración extrae un modelo de unidades conectadas entre sí, que generan, transmiten y refuerzan conceptos para llegar a conclusiones determinadas y consolidarlas como conocimiento.
Las redes neuronales en inteligencia artificial no hacen más que trasladar el funcionamiento biológico al ámbito matemático. Del mismo modo que, al aprender un idioma, nuestro cerebro va averiguando patrones en la gramática, un ordenador procesa unos datos concretos y descubre el parámetro más adecuado para procesarlos.
Los modelos de redes neuronales sirven para que los ordenadores encuentren parámetros y patrones adecuados mediante un “entrenamiento”. Éste consiste en alimentar el ordenador con datos para que determine criterios válidos de análisis y los aplique. Por ejemplo, las redes neuronales pueden servir para que un dispositivo identifique fotografías en las que hay una bicicleta, después de identificar las formas geométricas que la componen.
¿Cómo funcionan las redes neuronales?
Ahora bien, ¿cómo funcionan las redes neuronales? Como ya hemos mencionado, su estructura intenta emular las redes neuronales que componen nuestro propio cerebro. La red neuronal está compuesta de neuronas o perceptrones, cada uno de las cuales se encarga de recibir unos valores o datos de entrada específicos.
Al recibir estos valores de entrada, los perceptrones los modifican en función de su propio peso, es decir, la influencia que tendrán a la hora de determinar la conclusión que queremos extraer. A continuación, estos valores modificados se mueven a las siguientes neuronas que configuran la red. De esa manera, los valores se van modificando hasta que se alcanza una conclusión concreta.
Diferenciación entre Machine Learning y redes neuronales
En resumen, las redes neuronales son un modelo algorítmico para el reconocimiento de patrones, y por lo tanto permiten que un ordenador aprenda. Por eso, es muy habitual confundirlas con el ámbito más amplio del machine learning.
La diferencia está, precisamente, en que el machine learning engloba todas aquellas técnicas y métodos de aprendizaje que pueden utilizarse para lograr que un ordenador aprenda. Las redes neuronales son solo uno de esos métodos, pero existen varios más: árboles de decisión, modelos probabilísticos, modelos lineales y un largo etcétera.
¿Cómo crear redes neuronales?
Es más fácil entender cómo crear redes neuronales simplificando un ejemplo real. Una de las redes neuronales con mayor éxito es la sección de vídeos recomendados de Youtube. La web obtiene una gran cantidad de datos de los que puede aprender: el tiempo que nos quedamos viendo un video, los videos que seleccionamos, los que forman parte de nuestra lista de reproducción, los vídeos que hemos marcado con “Me gusta”… A partir de esos parámetros, la misión de Youtube es aprender nuestros gustos.
Como hemos dicho, la unidad fundamental de una red neuronal es el perceptrón: un elemento que conecta con varias entradas, cada una de ellas con un “peso” particular. En nuestro ejemplo, pongamos que inicialmente Youtube valora como igualmente importantes todos los parámetros que hemos mencionado. Obviamente, dar clic a un vídeo no es tan importante como marcarlo con un “Me gusta”, por lo que al cabo de un rato dejará de recomendarnos vídeos que nos interesen. Según los resultados, habrá que cambiar el peso de las entradas. Esta primera fase de aprendizaje se conoce como retroalimentación o ajuste.
La cosa se complica al añadir el concepto de red neuronal multicapa, que consiste en añadir más capas neuronales para lograr un resultado mejor definido. En nuestro ejemplo, se añade un perceptrón más encargado de averiguar cuántos vídeos recomendados se han marcado con un “Me gusta”. Si ninguno se ha marcado, el perceptrón determina que esas recomendaciones no son válidas y que por lo tanto debe modificar el peso de una de las entradas.
Por supuesto, el ejemplo anterior es una simplificación: los perceptrones son solo uno de los elementos que se utilizan, y existen modelos de redes neuronales mucho más complejos, como las redes neuronales convolucionales. Este tipo de redes se suelen utilizar para identificar objetos en imágenes, a través de la búsqueda de características concretas en grupos pequeños de píxeles. En lugar de rastrear toda la imagen, prestan atención a formas del mismo color en un espacio concreto de la imagen. Naturalmente, cuantas más capas neuronales se añadan a la red, más detalles podrán encontrar y más fácil será que aprendan a distinguir una imagen concreta.
Usos de redes neuronales
Como hemos indicado al principio de este artículo, las redes neuronales ya tienen algo de historia: las primeras teorías sobre ellas comenzaron a publicarse a mediados del siglo XX. No obstante, los avances tecnológicos más recientes son los que han permitido que este modelo de aprendizaje automático obtenga buenos resultados y comience a aplicarse.
Además del algoritmo de recomendación de Youtube, hay muchos otros ejemplos de la aplicación de redes neuronales. Sin ir más lejos, Google ha utilizado esta metodología para dos proyectos distintos: el uso de redes neuronales le permitió superar el famoso test reCAPTCHA de identificación de imágenes. Además, la empresa también ha utilizado una red convolucional para reconocer los números de las calles en Street View.
Las instituciones académicas también han estado desarrollando nuevas tecnologías de aprendizaje automático mediante redes neuronales. Stanford logró generar pies de foto de forma automática mediante la identificación automática de imágenes. Asimismo, la universidad de Edimburgo utilizó redes neuronales convolucionales para detectar estrategias de éxito en el juego Go.
La mayoría de proyectos anteriores revelan que las redes neuronales aún están en vías de desarrollo y experimentación. Aun así, el aumento de la popularidad de esta metodología apunta a que su aplicación no tardará en extenderse. Todo apunta a que las redes neuronales se convertirán pronto en uno de los pilares de la innovación en el campo de la inteligencia artificial.