Redes Neuronales Artificiales
Una computadora digital tradicional hace muy bien muchas tareas. Es muy rápida, y hace exactamente lo que le diga que haga.
Por desgracia, no puede ayudarle cuando usted mismo no entiende por completo el problema que desea resolver.
Peor aún, los algoritmos estándar no manejan bien los datos ruidosos o incompletos, sin embargo, en el mundo real, esos son frecuentemente los que se encuentran. Una respuesta es utilizar una red neuronal artificial (RNA), un sistema de cómputo que puede aprender por sí mismo.
La primera red neuronal artificial fue inventada en 1958 por el psicólogo Frank Rosenblatt. Llamada Perceptrón, intentaba modelar cómo el cerebro humano procesaba los datos visuales y aprendía a reconocer los objetos.
Otros investigadores han utilizado desde entonces las redes neuronales artificiales similares para estudiar la cognición humana.
Eventualmente, alguien se dio cuenta de que además de proporcionar conocimientos sobre la funcionalidad del cerebro humano, las RNA pueden ser herramientas útiles por su propia cuenta.
Su patrón de coincidencia y las capacidades de aprendizaje les permitió hacer frente a muchos problemas que eran difíciles o imposibles de resolver por los métodos de cálculo y estadística.
A fines de 1980, muchos institutos del mundo real estaban usando redes neuronales artificiales para una variedad de propósitos.
A pesar de que las redes neuronales artificiales se refieren a menudo simplemente como redes neuronales, el nombre más bien pertenece a los cerebros biológicos en los que se basaron en un principio.
Estructura
Una red neuronal artificial funciona mediante la creación de conexiones entre muchos elementos de procesamiento diferentes, cada uno similar a una sola neurona en un cerebro biológico.
Estas neuronas pueden estar físicamente construidas o simuladas por una computadora digital.
Cada neurona tiene muchas señales de entrada y luego, sobre la base de un sistema de peso interno, produce una sola señal de salida que es normalmente enviada como entrada a otra neurona.
Las neuronas están estrechamente interconectadas y organizadas en capas diferentes. La capa de entrada recibe la entrada, la capa de salida produce el resultado final.
Por lo general, una o más capas ocultas se intercalan entre las dos. Esta estructura hace que sea imposible predecir o conocer el caudal exacto de los datos.
Cómo aprenden
Las redes neuronales artificiales suelen comenzar con pesos al azar para todas sus neuronas. Esto quiere decir que no "sabe" nada y deben estar capacitadas para resolver el problema particular para el que están destinadas. En términos generales, existen dos métodos para la formación de una RNA, dependiendo del problema que debe resolver.
Una auto-organización de RNA (a menudo llamada Kohonen, por su inventor) está expuesta a grandes cantidades de datos y tiende a descubrir patrones y relaciones en los datos. Los investigadores suelen utilizar este tipo para analizar los datos experimentales.
Una RNA de retro-propagación, por el contrario, está entrenada por los seres humanos para realizar tareas específicas.
Durante el período de entrenamiento, el entrenador evalúa si la salida de la RNA es correcta.
Si es correcta, los coeficientes correctores neuronal que producen la producción se ven reforzados, si la salida es incorrecta, los coeficientes correctores responsables se ven disminuidos.
Este tipo se suele utilizar para la investigación cognitiva y para aplicaciones de resolución de problemas.
Implementada en un solo equipo, una red neuronal artificial es más lenta que una solución algorítmica más tradicional. La naturaleza paralela de la RNA, sin embargo, permite que sea construida con varios procesadores, dándole una ventaja de gran velocidad a un muy bajo costo de desarrollo.
La arquitectura paralela también permite que las redes neuronales procesen grandes cantidades de datos muy eficientemente. Cuando se trata de grandes y continuos flujos de información, tales como el reconocimiento de voz o datos de una máquina de sensor, las RNA pueden funcionar mucho más rápido que sus contrapartes lineales.
Las redes neuronales artificiales han demostrado ser útiles en una variedad de aplicaciones del mundo real que tienen que ver con datos complejos y a menudo incompletos. El primero de ellos se encuentra en el reconocimiento de patrones visuales y reconocimiento de voz.
Además, los programas recientes de texto a voz han utilizado las RNA. Muchos programas de análisis de escritura a mano (como los utilizados en PDAs populares) son alimentados por las RNA.
Fábricas automatizadas y robóticas están siendo monitoreadas por redes neuronales artificiales controlan la maquinaria, ajustan la configuración de la temperatura, diagnostican el mal funcionamiento y más.
Estas RNA pueden aumentar o reemplazar mano de obra calificada, por lo que es posible que menos gente haga más trabajo.
Usos económicos
Los usos económicos de las RNA pueden ser lo más emocionante.
Las grandes instituciones financieras han utilizado las RNA para mejorar el rendimiento en áreas como la calificación de los bonos, la puntuación del crédito, la comercialización de destino y la evaluación de las solicitudes de préstamos.
Estos sistemas son normalmente sólo unos pocos puntos porcentuales más precisos que sus predecesores, pero debido a las cantidades de dinero en juego, son muy rentables.
Las RNA ahora se utilizan para analizar las transacciones de tarjetas de crédito para detectar casos probables de fraude.
Las RNA también se utilizan para descubrir otros tipos de delincuencia.Los detectores de bombas en muchos aeropuertos de EE.UU. utilizan las redes neuronales para analizar elementos en el aire para detectar la presencia de sustancias químicas explosivas.