• Las redes neuronales, inspiradas en el cerebro humano, se refieren a un tipo de arquitectura informática que se basa en un modelo de cómo funciona el cerebro humano.
  • Funcionan mediante capas, incluidas las de entrada, ocultas y de salida, facilitando el aprendizaje y la predicción.
  • Los tipos de redes neuronales incluyen las de propagación hacia adelante (feed-forward), donde los datos se mueven linealmente; las de retropropagación (backpropagation), que refinan las predicciones mediante retroalimentación continua; y las convolucionales, diseñadas para el análisis de imágenes como el reconocimiento de imágenes mediante IA.

NUESTRA OPINIÓN
Las redes neuronales, aunque aparentemente distantes de nuestra vida cotidiana, se entrelazan de manera intrincada en nuestras vidas de formas imperceptibles. Nos permiten sumergirnos en contenido diseñado a medida para nuestros intereses, al mismo tiempo que nos permiten interactuar sin problemas con asistentes virtuales como Siri. Por lo tanto, promover su comprensión nos permite usar mejor sus capacidades para enriquecer nuestras vidas.
–Audrey Huang, periodista de BTW

El artículo presenta la definición, los principios de funcionamiento y los tipos de redes neuronales.

¿Qué son las redes neuronales?

Una red neuronal, o red neuronal artificial, es un tipo de arquitectura informática que se basa en un modelo de cómo funciona el cerebro humano. Las redes neuronales consisten en una colección de unidades de procesamiento llamadas «nodos». Estos nodos se transmiten datos entre sí, de forma similar a cómo en el cerebro las neuronas se transmiten impulsos eléctricos. Las redes se utilizan en el aprendizaje automático, un tipo de programas informáticos que adquieren conocimiento sin instrucciones definidas.

Lea también: Redes inalámbricas privadas: propiedad, espectro y usos

Lea también: Líneas dedicadas Ethernet frente a redes inalámbricas

¿Cómo funcionan?

Las redes neuronales constan de numerosos nodos distribuidos en al menos tres capas: una capa de entrada, una capa oculta y una capa de salida. Además, puede haber múltiples capas ocultas además de las de entrada y salida. Independientemente de su ubicación dentro de la red, cada nodo realiza tareas o funciones de procesamiento específicas sobre la entrada recibida del nodo anterior o de la capa de entrada. En esencia, cada nodo contiene una fórmula matemática única, con variables individuales ponderadas de manera diferente.

Si el resultado de aplicar esta fórmula a la entrada supera un umbral designado, el nodo transfiere datos a la capa siguiente. Por el contrario, si la salida está por debajo del umbral, no se reenvían datos a la siguiente capa.

¿Cuáles son sus tipos?

Las redes neuronales difieren en sus métodos de procesamiento y en el número de capas ocultas que poseen. Existen tres tipos: redes neuronales de propagación hacia adelante (feed-forward), redes neuronales de retropropagación (backpropagation) y redes neuronales convolucionales.

1. Redes neuronales de propagación hacia adelante

Estas redes neuronales representan la estructura fundamental de una red neuronal artificial. Transmiten datos en una única dirección hacia adelante, moviéndose del nodo de entrada al nodo de salida siguiente. Aunque no es esencial, pueden incorporar capas ocultas para manejar tareas más complejas. Su proceso de aprendizaje evoluciona gradualmente a través de mecanismos de retroalimentación. El reconocimiento facial es un ejemplo de una red de propagación hacia adelante.

2. Redes neuronales de retropropagación

Estas redes neuronales funcionan continuamente al permitir que cada nodo retenga su valor de salida y lo propague hacia atrás a través de la red para generar predicciones en cada capa. Esto facilita el aprendizaje continuo y el refinamiento de las predicciones.

3. Redes neuronales convolucionales

Las redes neuronales convolucionales (CNN, por sus siglas en inglés) utilizan capas ocultas para ejecutar operaciones matemáticas, generando mapas de características de regiones de la imagen que son más aptas para la clasificación. Cada capa oculta recibe una porción distinta de la imagen para su descomposición, lo que conduce a un análisis más profundo y, finalmente, a la predicción del contenido de la imagen. El reconocimiento de imágenes mediante IA es un ejemplo destacado de las redes neuronales convolucionales en acción.