La elaboración de esta revista es posible gracias a:
Gracias a estas fuentes, podemos estar informados, la información veraz es fundamental para que usted pueda tomar sus decisiones, conversar sobre su tratamiento y los efectos colaterales y preguntar cuando haya algo que no entienda.
Editorial
Edición revisada 2024
Autor: Moises Arcángel Ramírez
Maquetación: Liz Pérez y Yonatan Mojica
Edita: Editorial UBA
Imprime: Editorial UBA
Fondo editorial bicentenaria de Aragua
Universidad Bicentenaria de Aragua
San Cristóbal, estado Táchira, Venezuela.
Telf. (0276) 7381151
Email: ubatachira@gmail.com
Presidente Fundador
Dr. Jaime Lusinchi
Reuniones Públicas
María Ramirez
Jefe de Circulación
Yarice Méndez
Gente de comercialización
Albany Rovira
Colaboradores
Liz Pérez
Yonatan Mojica
José Ramírez
CRÉDITOS
Escuela de Ingeniería de Sistema
UBA Táchira
Diseño
Moisés Ramírez
Corrección de Estilo
Myrna Labado
Tabla de Contenidos
INTRODUCCIÓN
Te imaginabas hace unos años que las máquinas podrían aprender y crear por sí mismas? Hoy, la Inteligencia Artificial (IA) es una realidad que transforma nuestra vida. En esta revista, te explicaremos cómo funcionan las redes neuronales, la base de la IA, y cómo se aplican en campos como la medicina, el comercio y el arte. ¡Descubre cómo puedes ir más allá de ser un simple usuario de IA y entenderla de verdad!
Pablo Huet (2023): "Las Redes Neuronales son una rama de la Inteligencia Artificial que se basa en la simulación de la estructura y funcionamiento del cerebro humano para procesar información." Su estructura general consiste en una serie de nodos interconectados que reciben información, la procesan y producen una salida.
La historia de estos sistemas se remonta a la década de 1940, cuando el neurocientífico Warren McCulloch y el matemático Walter Pitts presentaron un modelo de neurona artificial. Este modelo se basó en la idea de que las neuronas biológicas en el cerebro funcionan mediante la transmisión de señales eléctricas. En la década de los 50, el psicólogo Frank Rosenblatt desarrolló el perceptrón, una red neuronal que podía entrenarse para reconocer patrones de datos.
FUNCIONAMIENTO DE LAS REDES
NEURONALES ARTIFICIALES
FUNDAMENTOS DE LAS REDES NEURONALES
Las redes neuronales artificiales son el componente central del Deep Learning. El deep learning según Ia-Industry (2024): "Se basa en el aprendizaje profundo, es una rama del aprendizaje automático que se basa en el concepto de redes neuronales artificiales con múltiples capas interconectadas." Entonces, las redes neuronales se componen de neuronas artificiales interconectadas que trabajan juntas para procesar información.
Cada una de las neuronas se encuentra anclada con un peso y una función de activación, estas determinan su contribución al resultado final.
Mientras más se alimenta la red con datos de entrada, estas conexiones se ajustan mejor por medio de algoritmos de aprendizaje para optimizar el rendimiento modelo.
APLICACIONES DEL DEEP LEARNING Y REDES NEURONALES
RECONOCIMIENTO DE IMÁGENES
CONDUCCIÓN AUTÓNOMA
PROCESAMIENTO DE LENGUAJE NATURAL
REDES NEURONALES
BIOLÓGICAS Y DE APLICACIÓN
Según Jorge Matich (2001): "Se sabe que las redes neuronales consisten de unidades de procesamiento que intercambian datos o información, se usan para reconocer patrones y tienen la capacidad de aprender y mejorar su funcionamiento." Entonces, si pensamos en una primera clasificación de los modelos de redes neuronales podrían ser:
MODELO DEL TIPO BIOLÓGICO
Este comprende las redes que tratan de simular los sistemas neuronales biológicos, así como las funciones auditivas o algunas funciones básicas de la visión.
MODELO DIRIGIDO A APLICACIÓN
Este modelo no tiene por qué guardar similitud con los sistemas biológicos. Su arquitectura está fuertemente ligada a las necesidades de las aplicaciones para la que es diseñada.
TAXONOMÍA DE LAS REDES NEURONALES
Al momento de clasificar las redes neuronales, se puede hacer a partir de varios tipos de redes. Las formas varían entre los tipos de clasificación más populares, estos son:
POR NÚMERO DE CAPAS
REDES NEURONALES MONOCAPAS:
Suelen ser más sencillas, la capa de entrada se conecta a la capa de neuronas de salida que realizan determinados cálculos.
REDES NEURONALES MULTICAPAS:
Entre las entradas y salidas, existen diversas capas de neuronas que hacen de intermediarias, se conocen como capas ocultas.
POR TIPO DE CONEXIONES
REDES NO RECURRENTES: Aquí, la información de las redes neuronales trabajan un solo sentido. No existe una retroalimentación y también carece de memoria.
REDES RECURRENTES: En estas, las neuronas tienen la chance de realizar conexiones de realimentación, ya se entre neuronas de una misma capa o de diferentes capas y tienen memoria.
POR GRADO DE CONEXIONES
REDES TOTALMENTE CONECTADAS:
Las capas anteriores y las capas posteriores están todas conectadas. La totalidad de Neuronas están conectadas entre ellas.
REDES PARCIALMENTE
CONECTADAS: No todas las Neuronas están totalmente conectadas entre ellas.
POR EL TIPO DE ARQUITECTURA
REDES TRANSFORMERS: Tienen el funcionamiento de ChatGPT, ya que es buena para el procesamiento del lenguaje natural, entendiendo mejor el contexto. Esta arquitectura consume muchos recursos.
REDES RECURRENTES: Se emplean mucho para la generación del texto y trabajar con secuencias.
REDES CONVUNCIONALES: Generalmente se emplean para computer vision, reconocimiento facial y datos bidimensionales.
REDES GENERATIVAS ADVERSARIAS: Se suelen usar para generar contenidos, como rostros y formas artificiales, dibujos, etc.
REDES SIAMESAS: Se usan para comparar similitudes, por ejemplo, para verificar la autenticidad de un documentos.
MECANISMOS DE APRENDIZAJE
Las redes neuronales se suelen subclasificar en dos grupos al momento de hablar de ellas, estas redes recordemos que están compuestas por nodos interconectados que procesan información y aprenden de los datos, en esta ocasión, se presentan dos modelos principales, las redes neuronales artificiales supervisadas y las no supervisadas.
REDES NEURONALES ARTIFICIALES SUPERVISADAS
En este tipo de redes, se proporciona a la red un conjunto de datos de entrenamiento que incluye tanto las entradas como las salidas correctas (etiquetas). La red aprende a mapear las entradas a las salidas correctas, ajustando sus parámetros internos (pesos y sesgos) a través de un proceso llamado retropropagación del error. Se suelen usar para la clasificación de imágenes, predecir precios, detectar fraude, reconocimiento de voz o en sistemas de recomendación.
REDES NEURONALES ARTIFICIALES NO SUPERVISADAS
A diferencia de las redes supervisadas, en este caso no se proporcionan etiquetas a los datos de entrenamiento. La red debe encontrar patrones y estructuras ocultas en los datos por sí misma. Suelen uar en sistemas clustering, al reducir una dimesión o en la detección de anomalías de datos.
FUNCIONES BÁSICAS DE UNA RED NEURONAL
FUNCIÓN DE ENTRADA
La neurona en esta fase trata a todos los valores de entrada como si fueran uno solo. Para combinar esas entradas, se usa una función de entrada, la cuál se calcula a partir del vector entrada. La función se ve así:
(*) representa al operador apropiado, n al número de entradas a la neurona y Ni y Wi al peso. Los valores se multiplican por los pesos. Esto permite que un gran valor de entrada tenga solo una pequeña influencia.
FUNCIÓN DE ACTIVACIÓN
Una neurona biológica puede estar activa (excitada) o inactiva (no excitada); es decir, que tiene un “estado de activación”. Las neuronas artificiales también tienen diferentes estados de activación; algunas de ellas solamente dos, al igual que las biológicas, pero otras pueden tomar cualquier valor dentro de un conjunto determinado. La función activación calcula el estado de actividad de una neurona.
Para entender mejor esto, supongamos que, al igual que un automóvil necesita más potencia para acelerar desde el reposo o a altas velocidades que a velocidades intermedias, las funciones de activación en redes neuronales presentan una respuesta no lineal. Es decir, un pequeño cambio en la entrada puede producir un cambio grande o pequeño en la salida, dependiendo de la región de operación.
FUNCIÓN DE SALIDA
El último componente que una neurona necesita es la función de salida. El valor resultante de esta función es la salida de la neurona i (outi); por ende, la función de salida determina que valor se transfiere a las neuronas vinculadas. Si la función de activación está por debajo de un umbral determinado, ninguna salida se pasa a la neurona subsiguiente.
ESTRUCTURA DE LAS REDES NEURONALES
Las redes neuronales están compuestas por múltiples capas de nodos interconectados, llamados neuronas. La información fluye desde la capa de entrada, a través de una o más capas ocultas, hasta la capa de salida. Cada conexión entre neuronas tiene un peso asociado que determina su importancia en el cálculo. Durante el entrenamiento, estos pesos se ajustan para que la red pueda realizar tareas específicas, como clasificar imágenes o reconocer patrones.
PRINCIPALES APLICACIONES DE LAS REDES NEURONALES
RECONOCIMIENTO DE PATRONES
Las redes neuronales resultan muy útiles para identificar patrones en grandes conjuntos de datos. Dando un ejemplo, dentro del reconocimiento de voz, las redes neuronales convierten las ondas sonoras en texto. Las redes neuronales también pueden reconocer características específicas en imágenes, como su forma o color.
PROCESAMIENTO DE LENGUAJE NATURAL
Las redes neuronales son muy eficaces en el procesamiento del lenguaje humano, por ejemplo, en la traducción automática, las redes neuronales puede aprender a traducir idiomas al analizar los patrones de lenguaje. La muestra más famosa de esto, DeepL.
PREDICCIÓN Y TOMA DE DECISIONES
Por el reconocimiento de patrones que ofrecen, estos sistemas también son muy útiles para la predicción y toma de decisiones en diferentes áreas. En el comercio electrónico, por ejemplo, las redes neuronales pueden analizar los datos de los clientes para predecir sus preferencias de compra y ofrecer productos relevantes.
CONCLUSIONES
El camino recorrido por las redes neuronales ha sido meteórico, transformándose en un pilar fundamental de la Inteligencia Artificial. Su capacidad para identificar patrones en vastos conjuntos de datos, aprender de la experiencia y realizar tareas complejas, ha abierto un abanico de posibilidades inimaginables hace apenas unas décadas. Sin embargo, este es solo el comienzo. A medida que la tecnología avanza a un ritmo vertiginoso, podemos esperar que las redes neuronales desempeñen un papel cada vez más crucial en diversos ámbitos de nuestra vida.
No obstante, este futuro prometedor viene acompañado de desafíos importantes. La ética juega un papel fundamental en el desarrollo de la IA. Es imperativo que los investigadores y desarrolladores trabajen de manera responsable para evitar el uso malintencionado de estas tecnologías. La IA debe ser una herramienta para el bien común, y no una amenaza para la humanidad.
Para aprovechar todo el potencial de las redes neuronales, es esencial fomentar la investigación y la educación en este campo. La formación de profesionales capacitados para desarrollar y aplicar estas tecnologías será clave para impulsar la innovación y abordar los desafíos que se presenten. En conclusión, las redes neuronales representan una de las tecnologías más transformadoras de nuestro tiempo. Su impacto se extenderá a todas las áreas de nuestra vida, desde la salud y la educación hasta la economía y el entretenimiento. Sin embargo, es fundamental abordar los desafíos éticos y técnicos que plantea su desarrollo para garantizar que esta tecnología se utilice de manera responsable y beneficiosa para toda la sociedad.
REFERENCIAS
Carlos R. (2023), Taxonomía de las Redes Neuronales. Disponible en la web: https://www.linkedin.com/pulse/taxonom%C3%ADa-de-las-redesneuronales-i-arquitecturas-carlos-ruiz/ , consultado en: octubre, 2024.
IA-Industry (2024), Redes neuronales, fundamentos y aplicaciones. Disponible en la web: https://www.tadia.ai/deep-learning-y-redesneuronales-fundamentos-y-usos/, consultado en: octubre, 2024.
Javier F. (2021), Tipos de Redes Neuronales, Clasificación. Disponible en la web: https://inteligencia-artificial.dev/tipos-redesneuronales/#Clasificacion por el numero de capas, consultado en: octubre, 2024.
Jorge M. (2001), Redes neuronales, conceptos básicos y aplicaciones. Disponible en la web: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5 anio/orienta dora1/monograias/matich-redesneuronales.pdf, consultado en: octubre, 2024.
Pablo H. (2023), Qué son las redes neuronales y sus aplicaciones. Disponible en la web: https://openwebinars.net/blog/que-son-las-redesneuronales-y-sus-aplicaciones/#c%C3%B3mo-funcionan-las-redesneuronales, consultado en: octubre, 2024.
