loader
  • Han adquirido una gran importancia porque nos permiten encontrar soluciones a problemáticas que son difíciles de resolver usando la programación ordinaria basada en reglas. 
  • Sus aplicaciones han revolucionado el mundo de la robótica y la algoritmia de datos.
  • Aunque sean tendencia debemos tener en cuenta que en la mayoría de los casos las mejoras que producen frente a metodologías más simples no justifican su uso.

¿Qué son las redes neuronales artificiales?

Una red neuronal artificial o por sus siglas en inglés (ANN, Artificial Neural Network) es una serie de algoritmos que buscan relaciones en un conjunto de datos. Consta de nodos interconectados que le dan la apariencia de una red neuronal biológica y de la que toma su nombre (a pesar de la falta de consenso en cómo refleja el funcionamiento del cerebro humano). 

Arquitectura de una red neuronal artificial

La arquitectura de estos sistemas está formada por diferentes capas de nodos. La estructura más común suele tener tres capas de nodos interconectados entre sí. 

esquema de una red neuronal artificial estandar
1. Red neuronal artificial estándar. Fuente: https://www.dspguide.com/

La primera capa o capa de entrada (input layer) tiene nodos de entrada que envían datos a una segunda capa. Estos nodos son pasivos y simplemente transmiten la información a la siguiente capa. El número de nodos de esta capa coincide con la cantidad de datos que se introducen.

Los nodos de la segunda capa o capa oculta (hidden layer) filtran los patrones relevantes de los que no lo son identificando la información importante. Estos nodos son activos, lo que significa que combinan los datos procedentes de la capa anterior. Cada input recibido es multiplicado por un peso y los resultantes son sumados entre sí y delimitados con una función (sigmoidea o logística) para mejorar la eficiencia. Estos nodos suelen representar un 10% con respecto a los de la primera capa.

En la tercera capa, también llamada capa de salida (output layer) se repite el proceso de la segunda y los datos se vuelven a combinar y modificar en los nodos activos para producir los valores de salida.

esquema de nodo activo de una red neuronal artificial
2. Nodo activo de una red neuronal artificial. Fuente: https://www.dspguide.com/

Ventajas de la red neuronal artificial

Su habilidad de completar tareas con infinitas combinaciones la hacen idónea teniendo en cuenta la tendencia al alza de las aplicaciones basadas en Big Data.

No obstante, es su única capacidad para dar sentido a datos incompletos, ambiguos o contradictorios los que lo hacen realmente valioso. Es decir, la capacidad para usar procesos controlados cuando no existe un modelo exacto que seguir.

Tipos de redes neuronales

En el ejemplo 1 mostrábamos el funcionamiento de las redes en una arquitectura de tres capas y un único flujo de información. Sin embargo, una red neuronal puede tener infinidad de capas, nodos y estructuras con flujos de información más complejos dando lugar a diferentes tipologías de redes neuronales artificiales

Para qué se usa una red neuronal

Estos sistemas de algoritmia que nos ayudan a resolver problemas tienen múltiples aplicaciones que podemos englobar en:

  • Predicción de sucesos y simulaciones: Producción de los valores de salida esperados en función de los datos entrantes.
  • Reconocimiento y clasificación: Asociación de patrones y organización de conjuntos de datos en clases predefinidas. Incluso identificando características únicas sin datos previos.
  • Procesamiento de datos y modelización: Validación, agregación y análisis de datos. Diseño y búsqueda de fallos en sistemas de software complejos.
  • Ingeniería de control: Monitorización de sistemas informáticos y manipulación de robots. Incluida la creación de sistemas y robots autónomos.
  • Inteligencia Artificial: Formando parte de las tecnologías de deep learning y machine learning que son partes fundamentales de la inteligencia artificial

Cuándo tiene sentido usar una red neuronal y cuándo no

Es necesario conocer las metodologías avanzadas, pero al mismo tiempo tenemos que ser eficientes en nuestros proyectos de datos. Bajo la premisa del principio de parsimonia, una metodología sencilla para un problema concreto nos aporta un modelo falible, pero practico en la mayoría de los casos.

En este artículo hemos hablado de las bondades de las redes neuronales artificiales que indudablemente puede aportar valor en la modelización de datos. Sin embargo, la realidad es que el 80% de las problemáticas de datos las redes neuronales no producen un resultado mejor que desde los modelos tradicionales.

Por lo que no nos dejemos llevar por la moda en el sector y seamos críticos al analizar un proyecto y valorar la metodología adecuada con la que abordarlo. En este sentido las ANN tienen en grandes volúmenes de datos con muchas casuísticas su ventaja frente a los modelos tradicionales.

 

Jorge González Ramírez

Responsable de Marketing