Es un concepto típico de IA. El surgimiento y la evolución de la inteligencia artificial, así como los avances en neurociencia, determinan el origen y el desarrollo del concepto a partir de la década de los cuarenta del siglo XX. Bajo este marco, conviene mencionar, al menos, dos aportaciones. Primera: Threshold Logic Unit (TLU) o Linear Threshold Unit (LTU). Introducida por McCulloch y Pitts en la investigación “A logical calculus of the ideas immanent in nervous activity”, se trata del primer modelo informático inspirado en el funcionamiento de las neuronas biológicas. Segunda: el perceptrón. Introducida por Rosenblatt en la investigación “The perceptron: a probabilistic model for information storage and organization in the brain”, se trata de un modelo formado por una neurona artificial capaz de identificar características,relaciones o patrones en los datos.
Con carácter general se puede definir como un sistema que, emulando la estructura y el funcionamiento del cerebro humano, se halla compuesto por capas sucesivas de unidades de procesamiento, nodos o neuronas artificiales conectadas entre sí con una fuerza variable. Concretamente, cada unidad de procesamiento recibe información del exterior o de otra unidad, la procesa mediante el manejo de un conjunto de funciones y la traduce en un valor de salida que alimenta a otra unidad o que constituye el resultado del sistema. Establecido lo anterior, la arquitectura del sistema y el método de aprendizaje empleado conducen a diversas tipologías de redes neuronales.
Una Red Neuronal artificial (RNA) es, pues, una estructura compuesta de un conjunto de unidades interconectadas (neuronas artificiales). Cada unidad posee una característica entrada/salida e implementa una computación local o función.
La red desarrolla usualmente una funcionalidad mediante el funcionamiento masivo de elementos de procesamiento (neuronas) que poseen un alto grado de interconectividad entre sus elementos, en los que la información puede fluir en cascada o en retroceso. Este funcionamiento está inspirado en la naturaleza biológica de las neuronas.
En general, una neurona envía su salida a otras por su axón. Este proceso es a menudo modelado como la función de red. La neurona recoge las señales por su sinapsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida.
VENTAJAS
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro.
Hay muchas buenas razones para el uso de redes neuronales y los avances en este campo incrementarán su popularidad. Son excelentes como clasificadores/reconocedores de patrones – y pueden ser usadas donde las técnicas tradicionales no funcionan. Las redes neuronales pueden manejar excepciones y entradas de datos anormales, muy importante para sistemas que manejan un amplio rango de datos (sistemas de radar y sonar, por ejemplo). Muchas redes neuronales son biológicamente plausibles, lo que significa que pueden proveer pistas de como trabaja el cerebro según progresen. Los avances en la neurociencia también ayudarán al avance en las redes neuronales y hasta el punto en que sean capaces de clasificar objetos con la precisión de un humano y la velocidad de una computadora. Tienen un futuro es brillante.
DESVENTAJAS DE LAS REDES NEURONALES
Otros problemas con las redes neuronales son la falta de reglas definitorias que ayuden a realizar una red para un problema concreto.
Se trata de un sistema que, en función de su complejidad, transita desde el aprendizaje automático (machine learning), en general,hacia el aprendizaje profundo (deep learning), en particular. De esta manera, su capacidad de continuo aprendizaje en base a la experiencia posibilita un extenso rango de tareas, enumerando como ejemplos: la clasificación, la regresión, la realización de inferencias o la resolución de problemas. Ello permite alcanzar finalidades asociadas no solo a la descripción y la predicción de la realidad, sino también a la adopción autónoma de decisiones por parte del propio sistema.
Por una parte, el sistema cuenta con un impacto creciente en virtud de su capacidad a la hora de aprender y resolver problemas y, desde un punto de vista general, de la evolución de la inteligencia artificial. Partiendo de esta base, en el momento actual, su aplicación se encuentra extendida en, al menos, tres ámbitos que se vinculan al Estado de Derecho e inciden en los derechos y la democracia. Primero: las ciudades inteligentes. Segundo: la seguridad, donde se albergan, por ejemplo, la identificación de emociones, el reconocimiento facial, la detección de objetos en tiempo real o la creación de armas. Tercero: la detección y la predicción de riesgos, acciones aparejadas a la aportación de respuestas relevantes. Por otra parte, el sistema depende de aquellas decisiones que guían su diseño, de la dificultad que genera su entrenamiento y de la imposibilidad de interpretar los resultados. Además, su aplicación en determinados contextos puede provocar debates éticos.
Óscar Moreno Corchete