2. ÍNDICE
Definición de redes neuronales
Breve historia y evolución
1
INTRODUCCIÓN
Neurona artificial y comparación con
neurona biológica
2 CONCEPTO DE NEURONA
Neurona artificial y comparación con
neurona biológica
3 ESTRUCTURA DE UNA
RED NEURONAL
Redes neuronales feedforward,
recurrentes y convolucionales
4 TIPOS DE REDES
Propagación hacia adelante
Funciones de activación
5
FUNCIONAMIENTO
Reconocimiento de voz, visión por
computadora y procesamiento de
lenguaje natural.
6 APLICACIONES
Caso de los coches autónomos y caso
GLOM
7 FUTURO Y LIMITACIONES
Preocupaciones éticas
8 FUTURO Y ÉTICA
9 CASOS DE ÉXITO
Logros notables en laindustria:
Youtube, Amazon y Microsoft
10
RECURSOS Y
REFERENCIAS
3. INTRODUCCIÓN
¿Qué son las redes neuronales?
Las redes neuronales, en nuestro caso, redes
neuronales artificiales o redes neuronales simuladas,
son un subconjunto del machine learning llamado
aprendizaje profundo. Está inspirado en la estructura
del cerebro humano ya que simulan la manera en la que
las neuronas biológicas se señalan entre sí.
Las redes neuronales las forman capas de nodos. Una
primera de entrada, una o varias capas ocultas y otra de
salida. La idea es simple: cada neurona está conectada
a otra y tienen un umbral asociado, de tal modo que si la
salida de una neurona tiene un valor superior al del
umbral, esta neurona se activa y transmite los datos a la
siguiente capa de la red.
Así las redes neuronales van mejorando su precisión
con el tiempo entrenando datos para aprender. Esta es
la base de las inteligencias artificiales. Una de las redes
neuronales más conocias es el algoritmo de Google.
Un poco de historia
1943: Warren S. McCulloch y Walter Pitts publicaron “A
logical calculus of the ideas immanent in nervous acitvity”
en donde estudiaban como el cerebro humano elabora
patrones complejos a través de las neuronas. Lo
relacionaron con la lógica booleana.
1958: basándose en el trabajo de Warren y Walter, Frank
Rosenblatt desarrolló el perceptrón. Este trabajo introdujo
las ponderaciones en la ecuación. Sus principales usos
fueron decisiones binarias sencillas o crear funciones
lógicas como OR, AND.
1974: muchos científicos adentraron en el mundo de la
retropropagación pero no fue hasta Paul Werbos que se
descubrió su aplicación a las redes neuronales.
1989: Yan LeCun trabajó Convolutional Neural Networks
que son redes multicapa inspiradas en el cortex visual de
los animales. Su investigación logró elaborar una red
neuronal que reconocía los digitos del código postal
escritos a mano de las cartas de correos de EEUU.
4. Concepto de neurona
La neurona artificial es la unidad fundamental de procesamiento en las redes neuronales artificiales. Aunque las
neuronas artificiales están inspiradas en las neuronas biológicas, hay algunas diferencias clave.
Neurona artificial
Función de Entrada: Recibe múltiples señales de entrada,
cada una multiplicada por un peso.
Suma Ponderada: Realiza una suma ponderada de las
señales de entrada multiplicadas por sus pesos
respectivos.
Función de Activación: Aplica una función de activación a
la suma ponderada para determinar la salida de la
neurona.
Conexiones: Conectada a otras neuronas a través de
conexiones con pesos ajustables durante el
entrenamiento.
Neurona biológica
Dendritas: Recibe señales eléctricas y químicas de
otras neuronas a través de las dendritas.
Suma sináptica: Realiza una suma sináptica de las
señales recibidas.
Axón y Sinapsis: Transmite una señal a otras neuronas
a través del axón y las sinapsis.
Activación: La activación se produce mediante el
disparo de un potencial de acción si la suma sináptica
supera un umbral.
5. Estructura de la red neuronal
Capa de entrada
La información exterior llega a la red neuronal a través de ella. Los
nodos de entrada procesan los datos, los analizan o clasifican y los
pasan a la siguiente capa
Capa oculta
Toman su entrada de la capa de entrada o de otras capas ocultas.
Las redes neuronales pueden tener multitud de capas ocultas, y
cada una analiza la salida de la capa anterior, la sigue procesando
y la pasa a la siguiente capa.
Capa de salida
Esta proporciona el resultado final de todo el procesamiento de
datos.
Así pues las neuronas están conectadas mediante conexiones
formando el mapa neuronal intuitivo que se nos viene a la cabeza.
Además, cada conexión tiene un peso asociado que determina la
fuerza o debilidad de la influencia de una neurona a otra. Durante el
aprendizaje y entrenamiento, los pesos se ajustan para minimizar
el error entre la salida predicha y la salida deseada.
6. Tipos de redes neuronales
Redes neuronales
Feedforward
En este tipo de redes neuronales la
información avanza en una única
dirección desde la entrada hasta la
salida, sin bucles ni conexiones hacia
atrás. Las redes neuronales feedforward
se suelen utilizar para tareas de
clasificación y regresión, donde la
entrada se asigna directamente a una
salida.
Redes neuronales
recurrentes
Este tipo de redes neuronales se
caracterizan por su memoria, ya que
usan información de entradas anteriores
para influir en la entrada y salida
actuales. Es decir, permiten conexiones
retroalimentadas para que la salida de
una capa pueda retroalimentarse como
entrada a la misma capa o capas
anteriores. Son adecuadas para modelar
secuencias y datos con dependencias
temporales y se suelen emplear en
tareas donde se procesa el lenguaje
natural o reconocimiento de voz
Redes neuronales
convolucionales
En este caso las redes neuronales
convolucionales utilizan principios del
álgebra, concretamente la multiplicación
de matrices, para la extracción de
características en tareas de
clasificación de imágenes y
reconocimiento de objetos.
7. Funcionamiento básico
El funcionamiento básico de las redes neuronales toma dos procesos esenciales: la propagación hacia adelante y el uso de
funciones de activación.
Propagación hacia adelante: durante este proceso los datos de entrada se mueven a través de la red desde la
capa de entrada hasta la de salida, como hemos visto. Así pues, la entrada a cada neurona es la suma ponderada de las
salidas de las neuronas de la capa anterior, multiplicadas por los pesos correspondientes. El resultado de esta suma
ponderada se pasa a través de una función de activación para producir la salida de la neurona
Funciones de activación: después de la suma ponderada en cada neurona se aplica una función de activación
para evitar introducir linealidades en la red neuronal. Estas funciones son esenciales para que la red pueda aprender
patrones complejos y relaciones no lineales en los datos. A continuación añadimos algún ejemplo de funciones de
activación:
Función sigmoide
Transforma la entrada en un rango entre 0 y 1
y se utiliza a menudo en la capa de salida de
una red para problemas de clasificación
binaria, ya que produce probabilidades que
suman 1.
Función ReLU
Viene las siglas Rectified Linear Unit y se encarga de
asignar cero a cualquier valor negativo y mantiene los
positivos. Se emplea de normal en capas ocultas y acelera
el entrenamiento al facilitar el aprendizaje en
representaciones más dispersas.
8. APLICACIONES DE LAS REDES NEURONALES
Actualmente, las redes neuronales son utilizadas en una amplia gama de aplicaciones, desde motores de búsqueda
hasta sistemas de seguridad, a la vez que se siguen desarrollando nuevas aplicaciones.
Algunos de esos servicios son ya muy conocidos entre la población, como GPT-3 y el nuevo GPT-4 (Transformadores de
lenguaje basados en redes neuronales) que actualmente están siendo usados en productos muy conocidos como Chat
GPT (texto y conversaciones entre humanos y sistema), Dall-e (imágenes basadas en descripciones) o Riffussion
(música inspirada en temas o artistas conocidos).
Consideramos que las siguientes son las aplicaciones más destacadas actualmente de las redes neuronales:
RECONOCIMIENTO DE PATRONES
Las redes neuronales son extremadamente útiles para identificar patrones en grandes conjuntos de datos.
En el reconocimiento de voz, las redes
neuronales pueden convertir ondas sonoras en
texto. Al analizar patrones en el sonido, las redes
neuronales pueden determinar qué palabras se
están diciendo y crear una transcripción de la
conversación.
En la clasificación de imágenes, las redes
neuronales también son muy eficaces. Las redes
neuronales pueden reconocer características
específicas en las imágenes, como la forma y el
color, y clasificarlas en diferentes categorías.
9. PROCESAMIENTO DEL LENGUAJE NATURAL
Estos sistemas también son muy eficaces en el procesamiento del lenguaje humano. En la traducción automática, las
redes neuronales pueden aprender a traducir idiomas al analizar patrones en el lenguaje. Una red neuronal puede
analizar millones de oraciones en diferentes idiomas y aprender a traducir entre ellos (como ocurre ya en el traductor
Deepl). Así también con la generación de texto, donde las redes neuronales pueden crear texto coherente y relevante al
analizar patrones en el lenguaje, de forma que puede aprender a escribir historias o artículos de noticias que sean
atractivas para un público objetivo deseado.
De la misma manera, pueden analizar el lenguaje para determinar lo que el usuario quiere y proporcionar una respuesta
adecuada, como lo que podemos conocer como un asistente virtual.
VISIÓN POR COMPUTADORA
Las redes neuronales son muy efectivas en la
identificación de objetos en imágenes y videos, lo
que es útil en aplicaciones como la detección de
objetos en tiempo real, el seguimiento de objetos y
la clasificación de imágenes, ya que pueden
analizar imágenes en tiempo real para identificar
objetos y proporcionar información sobre ellos.
Lo dicho es utilizado en las cámaras de seguridad,
para detectar objetos sospechosos o para
proporcionar datos como la marca o el modelo de
un objeto determinado, como los automóviles.
PREDICCIÓN Y TOMA DE DECISIONES
Por el reconocimiento de patrones que ofrecen, estos
sistemas también son muy útiles para la predicción y
toma de decisiones en diferentes áreas. En el
comercio electrónico, las redes neuronales pueden
analizar los datos de los clientes para predecir sus
preferencias de compra y ofrecer productos
relevantes. O en el análisis de riesgos, pueden
predecir el riesgo de diferentes escenarios y, dada la
necesidad, un sistema podría analizar los datos de los
pacientes para predecir el riesgo de enfermedades
como la diabetes o la enfermedad cardíaca.
10. Estos sistemas los encontramos y utilizamos en nuestro día a día. Sin ir más lejos, las redes neuronales artificiales son
una vertiente de la inteligencia artificial (IA) que están presentes en sistemas como Alexa, Siri o Cortana, que se sirven
del deep learning para entendernos y cumplir nuestras peticiones como asistentes virtuales.
Por otro lado, las redes neuronales hacen posible la existencia de robots y máquinas dotadas de inteligencia y autonomía
para realizar cualquier tarea sin la programación, la ayuda o la supervisión humana.
Además la utilización práctica de estas redes se utiliza en Vehículos de conducción autónoma de Tesla y Uber.
11. FUTURO Y
LIMITACIONES
Por ejemplo, en el caso de los coches autónomos
aparentemente son eficaces, pero si el sistema solo ha
sido entrenado para identificar objetos desde perspectivas
laterales, probablemente no reconozca estos desde una
perspectiva superior. El problema de las redes es que
agrupar partes puede ser complicado para los
ordenadores, ya que en ocasiones las partes pueden ser
ambiguas.
Recientemente, Geoffrey Hinton ha presentado GLOM, un
proyecto que aborda dos de los problemas más difíciles
para los sistemas de percepción visual. En primer lugar,
comprender una escena completa en relación con los
objetos y sus partes naturales y, en segundo lugar,
reconocer objetos cuando se ven desde una nueva
perspectiva. A pesar de que actualmente el enfoque
GLOM se centra en la visión, se espera su desarrollo para
aplicaciones de lenguaje.
Proyectos como este nos muestran que el futuro de las
redes neurológicas se encuentra cada vez más cerca.
El aprendizaje profundo fue uno de los grandes
avances en el ámbito de la inteligencia artificial
y las redes neurológicas. Sin embargo, la
realidad es que aún existen desafíos, ya que si
se expone una red neuronal a un conjunto de
datos desconocido se revelará esta de manera
frágil.
Geoffrey Hinton
12. Actualmente hay muchas áreas
prometedoras donde se espera que las
redes neuronales tengan un gran impacto
en el futuro, incluyendo la medicina
personalizada, la conducción autónoma y
la Inteligencia Artificial general. A medida
que se desarrollan nuevas aplicaciones, los
desafíos a los que se enfrenta el campo del
machine learning y deep learning también
se están volviendo más complejos, como la
seguridad y privacidad de los datos y la
interpretabilidad de los modelos.
FUTURO Y
ÉTICA
En última instancia, el futuro de las redes neuronales
dependerá de la capacidad de los investigadores y
desarrolladores para abordar estos desafíos y crear
sistemas que sean efectivos, confiables y justos. Al
mismo tiempo, también habrá un debate importante en
torno a la ética y la responsabilidad de utilizar las redes
neuronales en ciertos contextos, especialmente en áreas
donde se pueden tener impactos significativos en la
sociedad y en la vida de las personas.
Uno de los mayores debates es sobre la ética en la
inteligencia artificial, que ya sabemos que funciona
gracias a estas redes neurológicas. Sin embargo, esta
inteligencia por sí sola no tienen nociones éticas para
saber si el proceso puede ser negativo para la sociedad,
sino que necesita regulación y un análisis desde una
perspectiva ética. Una de las opciones que se plantean
es estudiar las capas ocultas de las redes neuronales
para conocer sus implicaciones sociales y poder tener al
mismo nivel esta tecnología ‘‘del futuro’’ con los avances
éticos de la sociedad actuales.
13. Microsoft
CASOS DE ÉXITO QUE UTILIZAN REDES NEURONALES
YouTube
Retener la atención de los usuarios es una de
las claves del éxito de las redes sociales, y para
lograrlo la mejor estrategia es ofrecer contenido
de interés personalizado para cada usuario.
La forma de cruzar tal cantidad de información
que maneja esta red social de forma eficiente es
mediante redes neurológicas.
Sus sistemas tienen en cuenta los datos de
navegación del usuario, sugerencias
rechazadas, likes de usuarios que consumen
contenidos similares, etc.
El mismo sistema se retroalimenta
continuamente de acuerdo al comportamiento
frente a las sugerencias.
Por un lado, Amazon utiliza
estas redes en su sistema de
recomendación de productos.
Además, actualmente trabajan
en un desarrollo de voz
sintética para su servicio de
Amazon Web Services cuyo
objetivo es que se escuche
como una persona de verdad,
y tendrá en cuenta la
entonación de las palabras
dependiendo del contexto y
del producto del que se trate.
Esta empresa utilizó las redes
neuronales para predecir la
probabilidad de compra de
productos de sus antiguos
clientes a partir de campañas de
email marketing.
Con estos datos, fueron capaces
de identificar al grupo de
individuos que más
probablemente podrían comprar
un determinado producto, e
intensificaron las acciones de
venta sobre estos grupos.
Amazon