Basadas en modelos matemáticos, inspiradas en el funcionamiento del cerebro humano y con la capacidad de realizar un cómputo de información de manera flexible, las redes neuronales se han convertido en una de las herramientas más usadas por las empresas para dar respuesta a sus conflictos algorítmicos. Reconocimiento de imágenes, predicción bursátil, conducción autónoma, análisis genético o el pronóstico de enfermedades son algunas de las posibilidades en las que se sumerge una red neuronal artificial (RNA).
Historia del futuro
El fascismo y el nazismo creciendo de manera exponencial por Europa, Estados Unidos sufriendo una de las mayores crisis de la historia, Rusia recuperándose de la Primera Guerra Mundial y España lanzada a una guerra civil. Sin duda alguna, 1936 no sería recordado como el mejor año de la humanidad. Sin embargo, en Inglaterra, Alan Turing, padre y pionero de la informática moderna, desarrolló estudios sobre el uso a nivel computacional de modelos similares al cerebro humano. Años más tarde, en 1943, McCulloch, neurofisiólogo, y Pitts, matemático, consiguieron teorizar a una red neuronal a través de circuitos eléctricos. Esto supuso el nacimiento de la primera RNA de la historia de la humanidad, el inicio de la primera primavera de la computación de redes.
Tras diversos aportes teóricos y el Congreso de Dartmouth, Rosenblatt comenzó el desarrollo del perceptrón, la unidad básica de la red neuronal más antigua de la historia. Este modelo generalizador presentó limitaciones importantes. En 1969, Minsky y Papera, publicaron “Perceptrons”, donde afirmaron matemáticamente que el perceptrón no podía realizar el aprendizaje de una función no-lineal, una cuestión sencilla y extendida en problemas cotidianos y reales. Ante la debilidad demostrada, las investigaciones sobre RNA invernaron hasta la década de los 80.
El avance tecnológico y el redescubrimiento del backpropagation (algoritmo de aprendizaje de propagación de errores hacia atrás) en 1986 por Rumelhart y Hinton relanzó a las redes neuronales artificiales a otra dimensión, a su segunda primavera. En la actualidad, la mejora de las unidades de procesamiento gráfico (GPU) ha hecho que las aportaciones a las investigaciones sean anuales, múltiples y que el uso de RNA se haya implementado en numerosas y campos.
Los algoritmos de redes sociales, de publicidad o de preferencias en plataformas como Netflix o YouTube forman partes de grandes redes neuronales que reciben datos, los analizan y emiten una solución
La neurona
Tras recorrer la breve historia de las redes neuronales artificiales, y para entender la globalidad de una RNA, debemos analizar su unidad más esencial, la neurona. Las neuronas artificiales son unidades básicas de procesamiento, similares a neuronas biológicas. Mediante sus conexiones de entrada reciben estímulos externos, denominados valores de entrada. Después se encargan de realizar un cálculo interno que produce un resultado, un valor de salida. Es decir, una neurona es la representación de una función matemática. Las neuronas establecen conexiones a través de sus ramificaciones con otras neuronas, en un proceso análogo a la sinapsis que se produce en el cerebro.
La red neuronal artificial
Una única neurona artificial tiene muy limitadas sus funciones y su rango de acción. Para solucionar esta fragilidad, el progreso tecnológico ha permitido poder aunar muchas neuronas en distintas capas. Esta unión conforma una red neuronal artificial.
Pedro Antonio Toledo, doctor por la Universidad de La Laguna (ULL) y profesor en el Área de Arquitectura y Tecnología de Computadores, afirma que una RNA no deja de ser un modelo matemático inspirado en el funcionamiento del cerebro humano. “La computación de cálculos se realiza mediante múltiples elementos relativamente sencillos, denominados neuronas, que procesan información desde sus entradas hasta las salidas de la red”, comenta el doctor. Cada una de estas neuronas tiene parametrizado cuáles son sus entradas, sus salidas, la importancia de cada conexión y la expresión matemática de su calculo interno. Toledo sostiene que las redes que se usan en la actualidad “pueden llegar a tener millones de estos parámetros”.
Las RNA se componen de grupos de capas. La capa de entrada se encarga de vincular todas las neuronas que aportan información, es decir, el estímulo inicial. Estos parámetros establecidos por el programador alcanzan la capa oculta, donde se encuentra un gran número de neuronas encargadas de procesar los datos recogidos. Las neuronas de esta capa trasladan sus resultados a la capa de salida, la encargada de externalizar toda la información, el estímulo final. Para establecer si una red es simple o profunda tan solo hay que observar el número de capas ocultas que posee.
Una vez se recogen los datos, se parametrizan las neuronas y se establece la estructura de la red. Hay una variedad de redes y algoritmos muy amplia. Toledo señala que “casi todos” los algoritmos usados en redes buscan la minimización o maximización de una función de coste. Esta función de coste o de error es la diferencia entre los resultados esperados y los resultados que finalmente se han producido. Es aquí donde la red decide por sí misma y ajusta los pesos – valores - para buscar la reducción al mínimo del error.
El aprendizaje automatizado
El futuro y presente de las RNA está basado en el aprendizaje automatizado, un entrenamiento que no depende de la supervisión de un humano. Este paradigma, espoleado por los macrodatos y el internet de las cosas, está viviendo un florecimiento con multitud de aportes teóricos y nuevas funciones. En este campo es donde aparece el aprendizaje profundo o deep learning.
El deep learning usa algoritmos que aprenden sin la participación previa de los humanos. Se encarga de configurar parámetros básicos sobre los datos recogidos y enseña a la red a través de muchas capas de procesamiento. Este tipo de enseñanza se produce de manera autónoma. En este campo, que es el más parecido a la percepción humana, queda todavía mucho más por descubrir, mejorar y perfeccionar.
Un mundo de posibilidades
El aumento tecnológico y el nivel computacional existente en la actualidad hace pensar que las RNA se convertirán en una herramienta indispensable para casi todas las empresas e instituciones públicas.
Google, Microsoft o Apple usan redes para sus asistentes virtuales, conducción autónoma o reconocimiento de imágenes. No obstante, uno de los campos más importantes en los que trabajan son los relacionados con la medicina y la salud. Ayuda al diagnostico, análisis de Imágenes, desarrollo de medicamentos o distribución de recursos son algunas demostraciones del potencial de la Inteligencia Artificial y las RNA.
José Francisco Sigut, doctor por la ULL; profesor en el grado de Ingeniería Informática y vinculado a la introducción de RNA en el sector de la salud, cree que queda mucho por explorar y mejorar con “las utilizaciones actuales que poseen dichas redes”. También señala que es fundamental el perfeccionamiento de los modelos de red que se usan para problemas específicos.
En un constante prueba y error, son numerosas las compañías que han lanzado redes neuronales artificiales para tratar de sacar conclusiones sobre su uso. En 2015, Google tuvo que emitir un comunicado en el que se disculpaba por un defecto con la RNA de Google Photos. Este fallo confundía y etiquetaba a personas negras como gorilas. La solución llegó dos años más tarde con la eliminación en la búsqueda de gorilas, monos y chimpancés. “Esta confusión se puede deber a una incorrecta etiquetación de los datos recogidos o a la mala elección que hace la red de parámetros para definir lo que es una persona o no”, apunta Sigut. Para entender mejor este fallo, Sigut explica el siguiente ejemplo: “Imaginemos que tenemos una RNA que ha aprendido lo que es un elefante. Si cogemos una imagen de un elefante y modificamos ciertos píxeles, como humanos seguiremos viendo a un elefante, pero la red no”.
El filtro anti-spam del correo electrónico es un ejemplo del trabajo final de una RNA
Las redes neuronales artificiales forman parte de nuestro presente y formarán parte de nuestro futuro. Queda un largo camino que recorrer; la mejora de la recogida de datos automática, la racionalización de las respuestas obtenidas, la mejora de la elección de parámetros… Pero sin duda alguna, han cambiado nuestro modelo de vida, nos han facilitado el poder comunicarnos, ver vídeos, recopilar información o salvar vidas. Inclusive, te han ayudado a leer este reportaje. Las RNA son y serán el cerebro de la humanidad.