¿Qué son las Redes Neuronales?

¿Qué son las Redes Neuronales Artificiales (ANNs)?

Muchos de los mayores avances en la IA están impulsados por redes neuronales artificiales. Las Redes Neuronales Artificiales (ANNs) son la conexión de funciones matemáticas unidas en un formato inspirado en las redes neuronales que se encuentran en el cerebro humano. Estas ANNs son capaces de extraer patrones complejos de los datos, aplicar estos patrones a datos no vistos para clasificar/reconocer los datos. De esta manera, la máquina “aprende”. Esa es una visión general rápida de las redes neuronales, pero analicemos más de cerca las redes neuronales para entender mejor qué son y cómo operan.

Perceptrón Multicapa Explicado

Antes de examinar redes neuronales más complejas, vamos a tomar un momento para examinar una versión simple de una ANN, un Perceptrón Multicapa (MLP).

Imagina una línea de montaje en una fábrica. En esta línea de montaje, un trabajador recibe un artículo, hace algunos ajustes y luego lo pasa al siguiente trabajador en la línea, quien hace lo mismo. Este proceso continúa hasta que el último trabajador en la línea le da los toques finales al artículo y lo coloca en una cinta transportadora que lo sacará de la fábrica. En esta analogía, hay varias “capas” en la línea de montaje, y los productos se mueven entre capas a medida que pasan de trabajador a trabajador. La línea de montaje también tiene un punto de entrada y un punto de salida.

Un Perceptrón Multicapa se puede considerar como una línea de producción muy simple, compuesta por tres capas en total: una capa de entrada, una capa oculta y una capa de salida. La capa de entrada es donde se alimenta los datos al MLP, y en la capa oculta, algunos “trabajadores” manejan los datos antes de pasarlos a la capa de salida, que da el producto al mundo exterior. En el caso de un MLP, estos trabajadores se llaman “neuronas” (o sometimes nodos) y cuando manejan los datos, los manipulan a través de una serie de funciones matemáticas.

Dentro de la red, hay estructuras que conectan nodo a nodo llamadas “pesos”. Los pesos son una suposición sobre cómo los puntos de datos están relacionados a medida que se mueven a través de la red. En otras palabras, los pesos reflejan el nivel de influencia que una neurona tiene sobre otra neurona. Los pesos pasan por una “función de activación” al salir del nodo actual, que es un tipo de función matemática que transforma los datos. Transforman los datos lineales en representaciones no lineales, lo que permite a la red analizar patrones complejos.

La analogía con el cerebro humano implícita en “red neuronal artificial” se debe al hecho de que las neuronas que componen el cerebro humano están unidas de manera similar a como los nodos en una ANN están vinculados.

Aunque los perceptrones multicapa existen desde la década de 1940, hubo una serie de limitaciones que impidieron que fueran especialmente útiles. Sin embargo, a lo largo de las últimas décadas, se creó una técnica llamada “propagación hacia atrás” que permitió a las redes ajustar los pesos de las neuronas y, por lo tanto, aprender de manera mucho más efectiva. La propagación hacia atrás cambia los pesos en la red neuronal, lo que permite a la red capturar mejor los patrones reales dentro de los datos.

Redes Neuronales Profundas

Las redes neuronales profundas toman la forma básica del MLP y la hacen más grande agregando más capas ocultas en el medio del modelo. Así que en lugar de tener una capa de entrada, una capa oculta y una capa de salida, hay muchas capas ocultas en el medio y las salidas de una capa oculta se convierten en las entradas para la siguiente capa oculta hasta que los datos han pasado por toda la red y han sido devueltos.

Las múltiples capas ocultas de una red neuronal profunda pueden interpretar patrones más complejos que el perceptrón multicapa tradicional. Diferentes capas de la red neuronal profunda aprenden los patrones de diferentes partes de los datos. Por ejemplo, si los datos de entrada consisten en imágenes, la primera parte de la red podría interpretar la luminosidad o oscuridad de los píxeles, mientras que las capas posteriores podrían identificar formas y bordes que se pueden utilizar para reconocer objetos en la imagen.

Diferentes Tipos De Redes Neuronales

Hay varios tipos de redes neuronales, y cada uno de los diferentes tipos de redes neuronales tiene sus propias ventajas y desventajas (y por lo tanto sus propios casos de uso). El tipo de red neuronal profunda descrita anteriormente es el tipo más común de red neuronal y a menudo se conoce como red neuronal de alimentación hacia adelante.

Una variación de las redes neuronales es la Red Neuronal Recurrente (RNN). En el caso de las Redes Neuronal Recurrente, se utilizan mecanismos de bucle para mantener la información de los estados anteriores del análisis, lo que significa que pueden interpretar datos donde el orden es importante. Las RNN son útiles para derivar patrones de datos secuenciales/cronológicos. Las Redes Neuronal Recurrente pueden ser unidireccionales o bidireccionales. En el caso de una red neuronal bidireccional, la red puede tomar información de partes posteriores de la secuencia, así como de partes anteriores de la secuencia. Dado que la RNN bidireccional tiene en cuenta más información, es mejor para dibujar los patrones correctos de los datos.

Una Red Neuronal Convolucional es un tipo especial de red neuronal que es hábil para interpretar los patrones que se encuentran dentro de las imágenes. Una CNN opera pasando un filtro sobre los píxeles de la imagen y logrando una representación numérica de los píxeles dentro de la imagen, que luego puede analizar en busca de patrones. Una CNN está estructurada de tal manera que las capas convolucionales que extraen los píxeles de la imagen vienen primero, y luego las capas densamente conectadas de alimentación hacia adelante, que en realidad aprenderán a reconocer objetos, vienen después de esto.