Los científicos creen que el cerebro de una criatura viviente procesa información a través del uso de una red neuronal biológica. El cerebro humano tiene hasta 100 billones de sinapsis (brechas entre las neuronas) que forman patrones específicos cuando se activan. Cuando una persona piensa en algo específico, recuerda algo o experimenta algo mediante sus sentidos, se cree que patrones neuronales específicos “se prenden” dentro del cerebro.
En el campo del aprendizaje profundo, una red neuronal está representada por una serie de capas que funcionan de manera similar a las sinapsis de un cerebro vivo. Sabemos que los investigadores enseñan a las computadoras cómo entender qué es un gato, o al menos cuál es la imagen de un gato, al alimentarlo con tantas imágenes de gatos como puedan.
La red neuronal toma esas imágenes e intenta descubrir todas las similitudes entre ellas, aprendiendo esto puede encontrar gatos en otras imágenes.
Los científicos usan redes neuronales para enseñar a las computadoras a hacer cosas por sí mismas y resolver una amplia variedad de problemas. Para comprender un poco cómo funcionan, y cómo aprenden las computadoras, echemos un rápido vistazo a tres tipos básicos de redes neuronales:
Redes generativas adversas
Ian Goodfellow, uno de los gurús de IA de Google, inventó las redes generativas adversas (GAN – generative adversarial network) en 2014. Una GAN es una red neuronal compuesta por dos bandos argumentadores, un generador y un adversario, que luchan entre ellos hasta que el generador gana. Si se quisiera crear una IA que imitara un estilo de arte, como el de Pablo Picasso, por ejemplo, pudiera alimentarse a una GAN con un montón de sus pinturas.
Las redes generativas adversas se utilizan en una gran variedad de IA, incluida una construida por Nvidia que crea fotografías “reales” de personas que ni siquiera existen.
Redes neuronales convolucionales
Las redes neuronales convolucionales (CNN – convolutional neural network) han existido desde la década de 1940, pero gracias al desarrollo del hardware y algoritmos más eficientes, ahora se están volviendo útiles. Una CNN tiene varias capas a través de las cuales los datos se filtran en categorías. Este tipo de redes neuronales se utilizan principalmente en el reconocimiento de imágenes y el procesamiento del lenguaje de texto.
Se podría entrenar a una red convolucional alimentándola con imágenes complejas que han sido etiquetadas por humanos. IA aprende a reconocer cosas como señales de stop, automóviles, árboles y mariposas mirando fotos que los humanos han clasificado, comparando los píxeles en la imagen con las etiquetas que entiende y luego organizando todo lo que ve en las categorías en las que ha sido entrenada.
Las CNN se encuentran entre las redes neuronales más comunes y robustas, empleándose inclusive en el diagnóstico de algunas enfermedades, donde han podido superar el desempeño de los médicos reales.
Redes neuronales recurrentes
Finalmente tenemos a las RNN (recurrent neural network), o redes neuronales recurrentes. Las RNN se usan principalmente para la IA que requiere matices y contexto para comprender su entrada.
Un ejemplo de dicha red neuronal es una IA de procesamiento del lenguaje natural que interpreta el habla humana. Ejemplos que mucha gente conoce los encontramos en el Asistente de Google, y Alexa, de Amazon, que son casos de RNN de uso cotidiano.
Existen más tipos de redes neuronales, apenas se han mencionado tres de ellas y de manera bastante simple. Si desea ampliar sus conocimientos en el tema, le sugerimos este curso gratuito sobre Inteligencia Artificial elaborado por la Universidad de Helsinki y Reaktor, entre otros muchos recursos que están disponibles en la web.
