Las redes neuronales han sido un concepto fundamental que ha contribuido decisivamente a los éxitos en inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL) en los últimos años.
En lo que respecta a los humanos, las redes neuronales son conexiones de neuronas que forman un contexto específico dentro del sistema nervioso. El cerebro humano es básicamente una enorme red de redes neuronales. En informática y en el campo de la inteligencia artificial (IA), pero también en robótica, se habla de redes neuronales artificiales cuando los seres humanos sirven de modelo y son emulados y simulados técnicamente.
¿De qué están hechas las redes neuronales artificiales?
Una red neuronal artificial consta de varias capas -capas de entrada y de salida, capas ocultas en medio- conocidas como layers en inglés. Las capas, a su vez, están compuestas por numerosos nodos, que pueden compararse con las neuronas del cerebro humano. En estos nodos se procesa la información, pero no en forma de estímulos eléctricos como en el cerebro, sino en forma de valores numéricos.
Diagrama funcional basado en una foto
Si se va a procesar una imagen de 1.024 x 1.024 píxeles en modo RGB con una red neuronal, se obtiene un número de 1.024 x 1.024 x 3 = 3.145.728 valores de entrada. Estos 3 millones de valores son enviados por la capa de entrada desde cada nodo a todos los nodos conectados a él. Para que se produzca el aprendizaje, cada conexión de nodo recibe un sesgo y un peso (una neurona adicional) para interpretar y evaluar la información recibida.
Ahora, los valores de entrada importantes se refuerzan con un cambio en los pesos y sesgos para una clasificación inequívoca, mientras que otros se debilitan. Después, la imagen puede usarse para emparejarla con sujetos similares, por ejemplo.
Aprendizaje profundo con redes neuronales
El aprendizaje profundo tiene lugar cuando las redes neuronales tienen más de una capa oculta. Cuantos más sean, más profundo será el aprendizaje. Añade nodos en cada capa y podrás ir a lo ancho. El término técnico es aprendizaje amplio. Las redes neuronales pueden optimizarse para distintos fines combinando distintas capas profundas y anchas y probando variantes. Otras optimizaciones surgen con las arquitecturas individuales en el Deep Learning.
Ámbitos de aplicación típicos de las redes neuronales
Hay muchos usos posibles para las redes neuronales, especialmente allí donde hay que procesar grandes cantidades de datos. Algunos ejemplos son:
- Bild- und Mustererkennung,
- Spracherkennung und -synthese,
- Schrifterkennung,
- Frühwarnsysteme,
- Zeitreihenanalysen,
- Simulationen und Prognosen für komplexe Systeme,
- maschinenbasiertes Übersetzen,
- Berechnen von Wirtschaftsmodellen,
- Einsatz in biometrischen Systemen.