En estos últimos años hemos visto diferentes inteligencias artificiales tanto en ficción como en realidad y, aunque nos parezcan producto de un genio o un grupo de personas, estas varían en dificultad y cada vez son más posibles de realizar desde la comodidad del hogar…
Existen diferentes métodos para crear una inteligencia artificial pero aquí expondremos una de las más sencillas y usadas en el mundo que es la red neuronal artificial y cómo puedes imaginarte está basada en el funcionamiento simple de nuestras neuronas.
¿Qué la red neuronal artificial?
Nuestro cerebro contiene millones de neuronas que por medio de estímulos eléctricos se comunican entre ellas en un proceso llamado ‘sinapsis’, este proceso es el que permite que cada uno de nosotros pensemos.
Tomando este concepto se formula la red neuronal artificial la cual igual a una biológica tendrá entradas y salidas que se conectarán a otras neuronas que en este caso se le llaman ‘nodos’, los cuales se catalogan de la siguiente manera:
- Nodo de entrada: aquellos que reciben información del exterior.
- Nodos de salida: aquellos que transmiten la información al exteriobbr y por último están aquellos que no tienen ningún contacto con él.
- Nodos ocultos: Son aquellos que no tienen ningún contacto con el exterior y solamente intercambian información con otros nuevos de la red.
En cualquier tipo de red los nodos ocultos se encuentran fuertemente interconectados entre sí organizándose por capas ya sean ‘monocapa’ si contienen una sola o ‘multicapas’ si contienen más de una. Estos adquieren un valor de los nodos de entrada que se van modificando en un proceso llamado ‘aprendizaje’. Existen diferentes algoritmos para basar el comportamiento de los nodos ocultos que dictarán que conexiones serán más o menos significativas. De esta manera se toma una decisión sobre qué entrada es más importante en base al modelo que se está aplicando.
Una vez teniendo una estructura de nuestra red se pasa a la fase de ‘aprendizaje y entrenamiento’, donde por medio de patrones objetivos los valores en los nodos se ajustan de forma interactiva hasta que se muestren respuestas satisfactorias, es decir, en base a ello la red sabrá cuándo crear, destruir y modificar nodos para dar respuestas óptimas para el conjunto de patrones de entrenamiento. Para este proceso podemos distinguir de tres tipos de aprendizaje:
- Aprendizaje supervisado: la red dispone de patrones de entrada y de salida que queremos obtener para una cierta entrada de información, y en función de ello se modifican los nodos cultos para ajustar la entrada a la salida. Será capaz de predecir el valor correspondiente a cualquier objeto de entrada después de haber visto una serie de ejemplos.
- Aprendizaje no supervisado: consiste en no proporcionar a la red los patrones de salida sino sólo los de entrada, y dejar que la red los clasifique en función de características comunes que encuentran entre ellos.
- Aprendizaje híbrido: no se proporcionan los patrones objetivos sino que solo se le dice si la respuesta acierta o falla ante un patrón de entrada. Una vez que la red está entrenada puede utilizarse para hacer predicciones o clasificaciones de diversas cosas