Con las redes neuronales de lo que se trata es de reproducir el funcionamiento del cerebro humano en los ordenadores. Eso a grandes rasgos, pero ¿en qué consisten realmente estos modelos? ¿Cómo puede llegar a imitar un ordenador el proceso de aprendizaje? ¿Se pueden usar en un software erp? En las siguientes líneas vamos a profundizar en el tema.
¿Cómo funciona una red neuronal?
Cuando hablamos de redes neuronales nos referimos a un conjunto de neuronas conectadas entre sí y que trabajan en conjunto, sin una tarea concreta para cada una. Poco a poco, las neuronas van creando y reforzando determinadas conexiones para aprender cosas que se quedan fijas en el tejido.
Las redes neuronales artificiales son un modelo inspirado en el funcionamiento del cerebro humano. Están formadas por un conjunto de nodos, las neuronas artificiales. Estas están conectadas y transmiten señales entre sí. El objetivo clave es realizar tareas complejas que no podrían ser realizadas mediante la clásica programación basada en reglas. De este modo se pueden automatizar funciones que, en un principio, sólo podían ser acometidas por personas.
Las redes neuronales tienen su aplicación en el campo de las matemáticas y la estadística. A partir de unos parámetros, existe una forma de combinarlos para predecir cierto resultado. Por ejemplo, conociendo la carga de servidores de un Centro de Procesamiento de Datos (CPD) y su temperatura se podrá saber cuánto van a consumir. Las redes neuronales hacen posible buscar la combinación de parámetros que mejor se ajusten a determinado problema. Son un modelo para encontrar determinada combinación de parámetros para hacer predicciones o clasificaciones.
La unidad básica de la red neuronal es el perceptrón. Es un elemento que tiene varias entradas con cierto peso cada una. Si la suma de estas entradas por cada peso es mayor que determinado número, la salida del perceptrón será un uno. Si es menor, la salida será un cero.
Las redes multicapa
En Imagar recordamos que puede haber varias capas intermedias con varias neuronas cada una. Hablamos entonces de «redes neuronales profundas». Cuantas más capas con más neuronas haya más se podrán mejorar las predicciones en conjuntos de datos más complejos. Cuantas más capas posea la red y más compleja sea, más complejas serán las funciones a realizar.
Por otro lado, las redes convolucionales se usan en el reconocimiento de voz y el procesamiento de imágenes. Se trata de buscar características locales en pequeños grupos de entradas. En el caso de los píxeles de las imágenes, bordes o colores más o menos homogéneos. Se busca siempre detectar la misma característica en todos los grupos. Como consecuencia, la red neuronal tradicional no tendrá que valorar cada píxel por separado sino recurrir a un conjunto de características de alto nivel de la imagen.
Lo cierto es que las redes neuronales no son un concepto nuevo. Vienen de los años 40 y 50 pero por aquel entonces no tuvieron demasiada implantación. La razón es que el ordenador necesitaba gran cantidad de recursos para entrenar y ejecutar una red neuronal con buenos resultados.
En los últimos tiempos se han dado grandes pasos gracias a la mejora de los ordenadores y al uso de GPUs. Un ejemplo son los pies de foto generados por ordenador gracias a una red neuronal de convolución para el reconocimiento de imagen junto con una red neuronal recurrente para formar las frases. Las redes neuronales se pueden usar además para el reconocimiento de números, de voz o de objetos en imágenes. En definitiva, se trata de un campo muy interesante y que augura bastantes avances a corto plazo. Sobre todo en el reconocimiento de imagen y de sonido.
