¿Qué es una red neuronal artificial?

Ana Barragán Montero · 01-09-2020 10:00 · CEBE responde

La neurona artificial o perceptrón nace en los años 50 (¡sí, no es nada nuevo!) y representa matemáticamente a la neurona real o biológica. Una neurona biológica recibe un estímulo en las dendritas que se transmite al núcleo, donde se procesa para más tarde salir en forma de respuesta por el axón. En la imagen (izquierda) podréis observar el paralelismo de la neurona artificial con la real, compuesta por una parte que recibe información (dendritas versus variables de entrada, x ), otra que la procesa (núcleo versus función de activación, f ), y otra que la transmite a otras neuronas (axón versus variables de salida, y ). Pues bien, una RNA es simplemente un conjunto de estas estructuras, organizadas en lo que se conoce como capas (imagen derecha). Pero ¿cómo aprenden estos modelos?

Al igual que el cerebro humano, una red neuronal aprende a través de ejemplos o muestras del problema por resolver. La clave está en encontrar la contribución adecuada (los llamados pesos, w ) de cada una de las variables de entrada a cada neurona en la RNA. Esto se consigue gracias a un proceso de optimización (conocido como retropropagación) capaz de transferir la información a través de las distintas capas, comparando los valores de las variables de entrada y salida de cada muestra para encontrar las contribuciones o pesos óptimos.

Veamos un ejemplo sencillo: queremos entrenar una RNA para que sepa diferenciar entre café o cerveza (variables de salida). Para ello, tendremos varias variables de entrada que cubren distintos aspectos: color, temperatura, presencia de gas y nivel de alcohol. Para entrenar nuestra RNA necesitaremos múltiples muestras (cuantas más, mejor) para cubrir todas las posibles opciones. Una vez procesadas todas las muestras y terminado el proceso de optimización, veremos que ciertas variables de entrada contribuyen más que otras a predecir una respuesta correcta (pesos más altos). Por ejemplo, el color (hay cervezas morenas) o la temperatura (el café puede estar frío) no son tan determinantes como la presencia de gas o alcohol (claramente predictores de la cerveza). Al tener una nueva muestra, la haremos pasar por la RNA aplicando los pesos ajustados y tendremos nuestra respuesta.

Este ejemplo es algo muy trivial, pero las RNA profundas (con muchas capas) pueden llegar a resolver problemas muy complejos, con tantas variables de entrada que su análisis está fuera del alcance del cerebro humano.

Si queréis saber más:

DotCSV - Parte 1: La neurona https://www.youtube.com/watch?v=MRIv2IwFTPg

DotCVS - Parte 2: La red neuronal https://www.youtube.com/watch?v=uwbHOpp9xkc

Comentario(s)

Deja un comentario


Patrocinadores colaboradores

Este blog cuenta con el apoyo de la delegación de cultura de la Embajada de España en Bélgica y de la sección de Bruselas del Instituto Cervantes amparado por la iniciativa conjunta de divulgación científica #SPreadScience.

Instituto Cervantes Arts and Culture section of the Spanish Embassy

Descargo de responsabilidad: El contenido de cada una de las entradas es responsabilidad de su autor(es) correspondiente(s). De esta manera, los puntos de vista expresados en el blog son aquellos de su autor(es), que no tienen por qué reflejar necesariamente los puntos de vista, pensamientos u opiniones de los miembros o representantes de CEBE.

¿Quieres hacer una pregunta?

¿Tienes una pregunta que te quita el sueño y que querrías que un científico te respondiera? ¿O hay un tema del que te gustaría saber más? ¡Mándanosl@!

Categorías

Igualdad de género en ciencia (6 Blogs)
Crónicas científicas (6 Blogs)
Webinarios (2 Blogs)
CEBE responde (2 Blogs)