Redes Neuronales

La principal característica que nos separa del resto de animales es la capacidad de raciocinio. Esto nos lleva a los siguientes cuestionamientos ¿Cómo funciona el cerebro?, ¿se pueden construir modelos artificiales que lo emulen?, ¿se pueden desarrollar máquinas inteligentes?. A raíz de esto ha surgido el desarrollo exponencial de la Inteligencia Artificial (IA.). La cual se podría dividir en dos clases que podríamos definir como "macroscópico" y microscópico".

En el primero de ellos se intenta modelizar el funcionamiento del cerebro basándose en reglas del tipo "si ocurre esto entonces...", donde se modeliza el cerebro en base a un funcionamiento que podríamos definir como global.

En la segunda aproximación se parte de la estructura interna que presenta el cerebro de tal forma que se construyen modelos que tienen en cuenta dicha estructura. De esta forma aparecen "neuronas artificiales" que se combinan entre sí para formar "estructuras multicapas" y son capaces de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real.

2. Características generales del cerebro humano

El cerebro humano está formado por una gran cantidad de unidades de proceso denominadas neuronas, las cuales a diferencia de otras células cuentan con una gran capacidad para comunicarse. Esto es fundamental ya que tales elementos se agrupan entre si para almacenar o procesar información.

Dendritas, ramificaciones a través de la cuales la neurona recibe información.

Cuerpo de la célula, procesa las señales recibidas y con base en éstas emite o no una respuesta.

Axón, estructura única con ramificaciones, a través del cual se transmite la información del cuerpo celular a la dendrita de otra neurona.

Cabe mencionar que entre la terminal del axón y la dendrita no se establece contacto físico, la transferencia de información se produce usando una unión conocida como sinapsis.

La comunicación entre neuronas se realiza a través de impulsos, cuya naturaleza es de dos tipos: eléctrica y química. La señal generada por la neurona y transportada a lo largo del axón corresponde a un impulso eléctrico, a diferencia de la señal entre las terminales del axón y las dendritas que es de origen químico. Esto último se realiza mediante moléculas de substancias llamadas neurotransmisores que fluyen a través de la membrana celular en la región de la sinapsis. Existen dos tipos de sinapsis:

Sinapsis excitadoras, cuyos neurotransmisores provocan disminuciones de potencial, facilitando la generación de impulsos a mayor velocidad.

Sinapsis inhibitorias, los neurotransmisores tienden a estabilizar el potencial, dificultando la emisión de impulsos.

Lo anterior se presenta en cada una de las sinapsis de la neurona, por lo que la entrada total es igual a la suma ponderada de cada una de las señales provenientes de otras neuronas. Dependiendo de la cantidad alcanzada, si sobre pasa un valor umbral la neurona se activa (genera una salida), en caso contrario no se activa.

3. Red Neuronal artificial

Existen diversas maneras de definir lo que son las Redes Neuronales Artificiales (RNA), desde definiciones cortas y genéricas hasta las que intentan explicar más detalladamente lo que significa una red neuronal.

Una red neuronal es un modelo computacional, paralelo, compuesto de unidades procesadoras adaptativas (tiene la capacidad de cambiar y aprender de la experiencia) con una alta interconexión entre ellas [Hassoun-95].

Sistemas de procesado de la información que hacen uso de algunos de los principios que organizan la estructura del cerebro humano [Lin-96].

Modelos matemáticos desarrollados para emular el cerebro humano [Chen-98].

Sistema de procesado de la información que tiene características de funcionamiento comunes con las redes neuronales biológicas [Fausett-94].

Sistema caracterizado por una red adaptativa combinada con técnicas de procesado paralelo de la información [Kung-93].

Desde la perspectiva del reconocimiento de patrones las redes neuronales son una extensión de métodos clásicos estadísticos [Bishop-96].

Ante esta situación, se plantea emplear la definición propuesta por Teuvo Kohonen, la cual aparece a continuación:

Las Redes Neuronales Artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptables), con organización jerárquica, los cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.

Por elemento simple se entiende al equivalente artificial de la neurona que es conocido como neurona computacional o nodo. Éstas se organizan jerárquicamente por capas y se interconectan entre ellas tal y como se produce en los sistemas nerviosos biológicos. Ante la presencia de un estímulo externo la red neuronal artificial genera una repuesta, la cual es confrontada con la realidad para determinar el grado de ajuste que se requiere realizar en los parámetros internos de la red. A este ajuste se le conoce como aprendizaje o entrenamiento de la red, después del cual la red se encuentra en condiciones de responder más adecuadamente a los estímulos externos.

4. Beneficios de las Redes Neuronales Artificiales

Es evidente que las RNA obtienen su eficacia de:

Su estructura distribuida masivamente en paralelo. El procesamiento de la información tiene lugar a través de la interacción de una gran cantidad de neuronas computacionales, cada una de las cuales envía señales excitatorias o inhibitorias a otros nodos en la red. A diferencia de los métodos de la Inteligencia Artificial clásica donde el procesamiento de la información puede considerarse secuencial -esto es paso a paso aún cuando no exista un orden predeterminado-, en las Redes Neuronales Artificiales este proceso es esencialmente en paralelo, lo cual es el origen de su flexibilidad. Dado que los cálculos se encuentran repartidos en muchos nodos, si alguno de ellos se aparta del comportamiento esperado no afecta significativamente al comportamiento de la red

Su habilidad para aprender y generalizar. Las RNA tienen la capacidad de adquirir conocimiento de su entorno mediante la adaptación de sus parámetros internos, lo cual se produce en respuesta a la presencia de un estímulo externo. Es decir la red aprende de los ejemplos que

...