Si has pasado algún tiempo leyendo sobre inteligencia artificial, seguramente habrás oído hablar de las redes neuronales artificiales. ¿Pero qué es exactamente uno? En lugar de inscribirse en un curso integral de informática o profundizar en algunos de los recursos más detallados que están disponibles Disponible en línea, consulte nuestra práctica guía para principiantes para obtener una introducción rápida y sencilla a esta increíble forma de máquina. aprendiendo.
¿Qué es una red neuronal artificial?
Las redes neuronales artificiales son una de las principales herramientas utilizadas en el aprendizaje automático. Como sugiere la parte "neural" de su nombre, son sistemas inspirados en el cerebro cuyo objetivo es replicar la forma en que los humanos aprendemos. Las redes neuronales constan de capas de entrada y salida, así como (en la mayoría de los casos) una capa oculta que consta de unidades que transforman la entrada en algo que la capa de salida puede usar. Son herramientas excelentes para encontrar patrones que son demasiado complejos o numerosos para que un programador humano pueda extraerlos y enseñarle a la máquina a reconocerlos.
Vídeos recomendados
Mientras que las redes neuronales (también llamadas “perceptrones”) han existido desde la década de 1940Sin embargo, sólo en las últimas décadas se han convertido en una parte importante de la inteligencia artificial. Esto se debe a la llegada de una técnica llamada “backpropagation”, que permite a las redes ajustar sus capas ocultas de neuronas en situaciones donde el resultado no coincide con lo que el creador espera, como una red diseñada para reconocer perros, que identifica erróneamente a un gato, por ejemplo. ejemplo.
Relacionado
- ¿Qué es la RAM? Aquí tienes todo lo que necesitas saber
- Nvidia RTX DLSS: todo lo que necesitas saber
- Requisitos del sistema para PC Stable Diffusion: ¿qué necesitas para ejecutarlo?
Otro avance importante ha sido la llegada de las redes neuronales de aprendizaje profundo, en las que diferentes Las capas de una red multicapa extraen diferentes características hasta que puede reconocer lo que está mirando. para.
Suena bastante complejo. ¿Puedes explicarlo como si tuviera cinco años?
Para tener una idea básica de cómo aprende una red neuronal de aprendizaje profundo, imagine una línea de fábrica. Una vez que se ingresan las materias primas (el conjunto de datos), se pasan por la cinta transportadora, y cada parada o capa posterior extrae un conjunto diferente de características de alto nivel. Si la red está destinada a reconocer un objeto, la primera capa podría analizar el brillo de sus píxeles.
La siguiente capa podría identificar cualquier borde de la imagen, basándose en líneas de píxeles similares. Después de esto, otra capa podrá reconocer texturas y formas, y así sucesivamente. Para cuando se alcance la cuarta o quinta capa, la red de aprendizaje profundo habrá creado detectores de características complejas. Puede descubrir que ciertos elementos de la imagen (como un par de ojos, una nariz y una boca) se encuentran comúnmente juntos.
Una vez hecho esto, los investigadores que han entrenado la red pueden asignar etiquetas a la salida y luego utilizar la retropropagación para corregir cualquier error que se haya cometido. Después de un tiempo, la red puede llevar a cabo sus propias tareas de clasificación sin necesidad de que los humanos la ayuden en todo momento.
Más allá de esto, existen diferentes tipos de aprendizaje, como por ejemplo supervisado o aprendizaje sin supervisión o aprendizaje reforzado, en el que la red aprende por sí misma tratando de maximizar su puntuación, como lo hizo memorablemente El robot de juego Atari de Google DeepMind.
¿Cuántos tipos de redes neuronales existen?
Existen varios tipos de redes neuronales, cada una de las cuales tiene sus propios casos de uso específicos y niveles de complejidad. El tipo más básico de red neuronal es algo llamado red neuronal de avance, en el que la información viaja en una sola dirección desde la entrada a la salida.
Un tipo de red más utilizado es el red neuronal recurrente, en el que los datos pueden fluir en múltiples direcciones. Estas redes neuronales poseen mayores capacidades de aprendizaje y se emplean ampliamente para tareas más complejas, como aprender a escribir a mano o reconocer idiomas.
También hay redes neuronales convolucionales, Redes de máquinas Boltzmann, Redes de Hopfieldy una variedad de otros. Elegir la red adecuada para su tarea depende de los datos con los que tenga que entrenarla y de la aplicación específica que tenga en mente. En algunos casos, puede ser deseable utilizar múltiples enfoques, como sería el caso de una tarea desafiante como el reconocimiento de voz.
¿Qué tipo de tareas puede realizar una red neuronal?
Un análisis rápido de nuestros archivos sugiere que la pregunta adecuada aquí debería ser “¿qué tareas no poder ¿Qué hace una red neuronal? De hacer que los coches conduzcan de forma autónoma en las carreteras, a generando caras CGI sorprendentemente realistas, a la traducción automática, a la detección de fraudes, a leyendo nuestras mentes, a reconocer cuando un El gato está en el jardín y enciende los aspersores.; Las redes neuronales están detrás de muchos de los mayores avances en IA.
Sin embargo, en términos generales, están diseñados para detectar patrones en los datos. Las tareas específicas podrían incluir clasificación (clasificar conjuntos de datos en clases predefinidas), agrupación (clasificar datos en diferentes categorías no definidas) y predicción (usar eventos pasados para adivinar los futuros, como el mercado de valores o la película). oficina).
¿Cómo “aprenden” cosas exactamente?
De la misma manera que aprendemos de la experiencia de nuestras vidas, las redes neuronales requieren datos para aprender. En la mayoría de los casos, cuantos más datos se puedan arrojar a una red neuronal, más precisa será. Piense en ello como cualquier tarea que realice una y otra vez. Con el tiempo, gradualmente te vuelves más eficiente y cometes menos errores.
Cuando los investigadores o informáticos se proponen entrenar una red neuronal, normalmente dividen sus datos en tres conjuntos. El primero es un conjunto de entrenamiento, que ayuda a la red a establecer los distintos pesos entre sus nodos. Después de esto, lo ajustan utilizando un conjunto de datos de validación. Finalmente, utilizarán un conjunto de prueba para ver si puede convertir con éxito la entrada en la salida deseada.
¿Las redes neuronales tienen alguna limitación?
A nivel técnico, uno de los mayores desafíos es la cantidad de tiempo que lleva entrenar las redes, lo que puede requerir una cantidad considerable de potencia informática para tareas más complejas. Sin embargo, el mayor problema es que las redes neuronales son “cajas negras” en las que el usuario introduce datos y recibe respuestas. Pueden afinar las respuestas, pero no tienen acceso al proceso exacto de toma de decisiones.
Este es un problema que varios investigadores están trabajando activamente en, pero será cada vez más apremiante a medida que las redes neuronales artificiales desempeñen un papel cada vez más importante en nuestras vidas.
Recomendaciones de los editores
- Portátiles con carga USB-C: esto es lo que necesita saber
- ¿Qué es GDDR7? Todo lo que necesitas saber sobre la VRAM de próxima generación
- Reemplazo de la batería del MacBook Pro: todo lo que necesitas saber
- Qué es Wi-Fi 7: todo lo que necesitas saber sobre 802.11be
- YouTube está implementando identificadores. Esto es lo que necesitas saber
