Desde una hipótesis de la neurociencia y traída y adaptada a la ciencia computacional, se
busca simular la forma en que funciona el cerebro por medio de estructuras llamadas redes
neurales las cuales consisten de unidades todas interconectadas unas a las otras y trabajan en
conjunto con la información de entrada y salida de cada una de ellas. Pueden existir dos tipos
de redes: red de retroalimentación hacia adelante con el uso capas simple o múltiple y redes
concurrentes.
Introducción
Pensar en el cerebro ha ayudado en la expansión del alcance de las ideas técnicas. En las
bases de neurociencia, la hipótesis de que la actividad mental consiste principalmente de
actividades electroquímicas en redes de células en el cerebro llamadas neuronas. Inspirados
en esta hipótesis, algunos de los primeros trabajos de inteligencia artificial apuntaba a crear
redes neurales artificiales.
Desarrollo
Una red neural es simplemente una colección de unidades conectadas una con la otra y las
propiedades de la red es determinada por su topología y las propiedades de las “neuronas”.
Desde hace muchos años se han desarrollado modelos más detallados y realistas tanto para
neuronas y sistemas más grandes en el cerebro conllevando al campo moderno de la
neurociencia computacional.
Las redes neurales están compuestas de nodos o unidades conectadas directamente por medio
de enlaces. Un enlace de unidad a unidad sirve para propagar la activación de i a j. Cada enlace tiene un peso numérico i, j asociado el cual determina la fuerza y seña de la conexión. Así como en los modelos de regresión lineal, cada unidad tiene una entrada ficticia 0 = 1 con un peso asociado 0, j. Cada unidad calcula primero una suma pesada de sus entradas. Luego, aplica una función de activación a dicha suma para derivar la salida.Esta función de activación es típicamente un umbral duro, en tal caso la unidad es llamada un
perceptrón, o una función de logística, en la cual el término perceptrón sigmoideo es
utilizado. Una vez decidido el modelo matemático para las “neuronas” individuales, la
siguiente tarea es conectarlas para formar una red. Hay dos formas distintas fundamentales
para hacer esto: red de retroalimentación hacia adelante o red recurrente.
Una red de retroalimentación hacia adelante tiene conexiones en una única dirección. Esto es,
forma una grafo acíclico dirigido. Cada nodo recibe entradas de los nodos anteriores y dan
una salida hacia los nodos siguientes. No hay bucles. Este tipo de red representa una función
de su entrada actual, entonces no tiene estado interno más que los pesos mismos.
Una red recurrente, del otro lado, alimenta sus salidas devuelta a sus propias entradas. Esto
significa que los niveles de activación de la red forman un sistema dinámico que puede
alcanzar un estado estable o bien exhibir oscilaciones o comportamiento caótico. Además, la
respuesta de la red a una entrada dada depende del estado inicial el cual puede depender de
entradas anteriores. Por eso, las redes recurrentes, a diferencia de las redes de
retroalimentación hacia adelante, soportan memoria a corto plazo. Esto los hace más
interesantes como modelos del cerebro, pero también más difíciles de entender.
Las redes de retroalimentación hacia adelante usualmente son organizadas en capas de forma
que cada unidad reciba entrada únicamente de la capa inmediata anterior.
Una red con todas las entradas conectadas directamente a las salidas es llamada una red
neural de una capa o una red de perceptrones.
Conclusión
La simulación de las redes neurales del cerebro constituyen una forma de inteligencia
artificial que podría ser de gran ayuda en muchos campos profesionales para la toma de
decisiones con la entrada y salida de información, dando una respuesta acertada o deseada.
Con esta estrategia es posible desarrollar la creación de sistemas capaces de aprender y
mejorar cuanto más uso se les aplique.
Fuentes
Russell, S. S., & Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Prentice
Hall, Englewood Cliffs, NJ.