Redes neuronales artificiales

Perceptrón

The same post in English

Una de las aplicaciones más antiguas de la inteligencia artificial se basa en la simulación de las células nerviosas de los animales (neuronas). Las redes neuronales están formadas por muchas componentes interconectadas, y son capaces de cierta actividad computacional, aunque las neuronas que componen estas redes suelen estar bastante simplificadas, en comparación con las que forman parte del sistema nervioso humano y de otros animales.

Este tipo de aplicaciones ha sido objeto de múltiples exageraciones y previsiones insólitas. Se ha dicho que estas redes son capaces de resolver los problemas más difíciles, los problemas NP-completos, como el del viajante de comercio, y otros parecidos. Un programa normal sólo puede resolver esos problemas en un tiempo que crece exponencialmente en función de su tamaño, mientras que una red neuronal puede resolverlos en un tiempo breve. Y hasta cierto punto esto es verdad, siempre que tengamos en cuenta que la solución obtenida no es necesariamente la mejor, sino tan sólo una aproximación, que a menudo es suficiente para nuestras necesidades.

Las primeras redes neuronales fueron definidas durante los años 40 del pasado siglo por Warren McCullogh y Walter Pitts. En la década siguiente, Frank Rosenblatt ideó el perceptrón, una red neuronal de dos capas (capa de entrada y capa de salida), capaz de ser ajustada para dar la respuesta adecuada a una entrada concreta. A finales de los 60, Carver Mead propuso la computación neuromórfica, que consistiría en construir redes neuronales, no mediante programas que se ejecuten en ordenadores clásicos, como se había hecho hasta entonces, sino con un hardware especialmente diseñado, que aprovechara los circuitos integrados, entonces en vías de desarrollo, para implementar redes formadas por dispositivos diminutos que emularan o simularan neuronas.

La investigación en este campo se estancó tras la publicación de un libro de Minsky y Papert (Perceptrons: An Introduction to Computational Geometry), en el que demostraban que un perceptrón de dos capas no es capaz de resolver la función o-exclusiva, una de las más sencillas que existen. Algunos años más tarde, con la introducción de una tercera capa de neuronas en la red neuronal entre las capas de entrada y de salida, y con la invención del algoritmo de propagación hacia atrás, se resolvió el problema de la función o-exclusiva, por lo que la investigación en el campo de las redes neuronales volvió a avanzar.

Las primeras redes neuronales, desarrolladas a partir de los años ochenta, debían someterse a aprendizaje supervisado: una fase de entrenamiento durante la cual se les ofrecían problemas concretos (conjuntos de datos de entrada) y su solución correcta (los datos de salida deseados), para que la red modificara automáticamente los pesos de sus "neuronas" para obtener el resultado deseado. Una vez entrenada, y tras dar resultados razonablemente correctos con los problemas de aprendizaje supervisado, la red podía emplearse para resolver otros problemas diferentes del mismo tipo. Eso sí, nunca se obtiene un 100% de seguridad, ni con los problemas supervisados, ni con los nuevos.

Con el siglo XXI comenzó a utilizarse un nuevo tipo de aprendizaje no supervisado, que no necesita escoger problemas de entrenamiento. Esto se puede hacer de dos maneras:

• Utilizando técnicas como la minería de datos para entrenar automáticamente la red neuronal, a partir de la enorme masa de datos que contiene Internet. Esto lo hace, por ejemplo, Google Translate para obtener traducciones aproximadamente correctas. Por el momento estas traducciones no son perfectas, y siempre hay que corregirlas a mano, pero su existencia ayuda mucho a los traductores humanos. Y a medida que aumenta el número de datos disponibles, las traducciones se van haciendo progresivamente mejores.
• O bien mediante un entrenamiento automático que ponga la red neuronal a competir consigo misma, como se hace en las aplicaciones destinadas a jugar a ciertos juegos "inteligentes", como Alpha Zero de DeepMind (actualmente parte del conglomerado de Google), que consiguió alcanzar niveles de campeón mundial, tanto en ajedrez como en Go.

En la actualidad se está trabajando en varias direcciones:

a)      La computación neuromórfica, que no es más que la implementación de las redes neuronales mediante dispositivos de hardware que hacen uso de nanotecnología, en lugar de utilizar software que se ejecuta en un ordenador clásico. Como es natural, esto las hace más rápidas.

b)      Nuevos algoritmos para resolver, mediante redes neuronales, problemas de reconocimiento de patrones y aprendizaje automático.

c)      Implementación de redes basadas en neuronas más complejas, inspiradas en las neuronas biológicas.

De todas formas, a pesar de la frecuente exageración de los medios, toda esta investigación debe considerarse como inteligencia artificial débil, más o menos sofisticada, pero muy lejos de la inteligencia artificial fuerte, la que podría competir con el hombre en numerosos campos de actividad y ser auto-consciente, que sigue estando muy lejos de nuestro alcance, suponiendo que sea posible, cosa que dudo. Y esto lo digo, a pesar de lo que yo mismo haya dado a entender en mis novelas de ciencia-ficción, que no tiene por qué coincidir con lo que pienso.

Hilo Temático sobre Inteligencia Natural y Artificial: Anterior Siguiente

Manuel Alfonseca