RNA – Redes Neuronales Artificiales

A medida que las computadoras fueron avanzando, el hombre fue percatándose de que tanta tecnología computacional aun era obsoleta para resolver cosas sencillas, y otras más complejas, que los humanos podemos realizar sin que nadie nos haya enseñado como hacerlo previamente, como por ejemplo, procesar a gran velocidad grandes cantidades de información procedentes de los sentidos, combinarla o compararla con la información almacenada y dar respuestas adecuadas, adaptarnos y aprender rápidamente de los entornos nuevos, comunicarnos con más de cinco maneras distintas, poseer el poder de la toma de decisiones y una de las características más ambicionadas por el ser humano para plasmarlo dentro de los alcances computacionales es su capacidad de predecir eventos antes de que estos sucedan, por citar algunos, podríamos nombrar la facultad de predecir si irá a llover o no por la dirección del viento, el nivel de humedad en el ambiente e incluso algunos mirando la luna saben si se acercan tiempos de sequia, otro ejemplo sería saber que podría suceder con ciertas acciones empresariales de acá a una semana o un mes por cómo van actualizándose las bolsas de valores, decidir si convendría o no un negocio que nos proponen e incluso han nacido varias ramas que se dedican al estudio de las predicciones como la astrología, buzios, tarot y muchas otras más.

El hombre en su afán por obtener las mejores aproximaciones a lo que serían estas capacidades humanas y muchas otras más ha creado lo que conocemos como Redes Neuronales Artificiales o por sus siglas RNA, cuya finalidad inicial era la de emular los procesos biológicos de la información, partiendo de la presunción de que la capacidad humana de procesar la información, toma de decisiones y la facultad predictiva se debía a la naturaleza biológica del cerebro. Por lo tanto, para imitar estas características se debió estudiar y basarse en el uso de soportes artificiales semejantes a los existentes en nuestro cerebro. Para ello los científicos llevaron y llevan años estudiándolo y se han desarrollado algunos modelos matemáticos que tratan de simular su comportamiento. Estos modelos se han basado sobre los estudios de las características esenciales de las neuronas biológicas y sus conexiones.

Como ya sabemos, el cerebro es una de las cumbres de la evolución biológica, ya que es el dispositivo de computo más poderoso que existe y un gran procesador de información, el cual le ha tomado a la naturaleza 4000 millones de años desarrollarlo y que hasta hoy en día no se ha podido igualar, para poder vislumbrar mejor hasta donde llegan algunas de sus capacidades expondré a continuación las más relevantes en cuanto a procesamiento de información que es lo que más nos interesa en este artículo:

• El proceso de información biológico es robusto y tolerante a fallos, lo que quiere decir que a pesar de perder algunas neuronas con el correr de los años, nuestro cerebro continúa funcionando durante muchos años sin alcanzar un grado de deterioro que pueda afectar a nuestras capacidades.
• Los procesadores de información biológicos son flexibles, no necesitan volver a ser programados cuando se cambia de entorno o ambiente, sino que ellos mismos se reajustan al entorno. De allí desprende la capacidad que nombre anteriormente de adaptarnos y aprender rápidamente de los entornos nuevos.
• Son capaces de trabajar con información incompleta, con ruido e inconsistente de una manera semejante a la que se puede alcanzar empleando varias computadoras cuando se usa una gran cantidad de programación sofisticada y sólo cuando el contexto de ese conjunto de datos se ha analizado en detalle y durante un tiempo bastante considerable.
• La maquinaría que realiza estas funciones es altamente paralela, pequeña, compacta y disipa poca cantidad de energía.

Esta maquinaria biológica es la célula del cerebro llamada neurona. Las neuronas tienen tres componentes principales, las dendritas, el cuerpo de la célula o soma, y el axón. Las dendritas, son el árbol receptor de la red, son como fibras nerviosas que cargan de señales eléctricas el cuerpo de la célula. El cuerpo de la célula, realiza la suma de esas señales de entrada. El axón es una fibra larga que lleva la señal desde el cuerpo de la célula hacia otras neuronas. El punto de contacto entre un axón de una célula y una dendrita de otra célula es llamado sinapsis, la longitud de la sinapsis es determinada por la complejidad del proceso químico que estabiliza la función de la red neuronal.

Las neuronas artificiales son modelos que tratan de simular el comportamiento de las neuronas descritas en el párrafo anterior. Cada neurona artificial se representa como una unidad de proceso que forma parte de una entidad mayor, la red neuronal artificial o RNA. Las neuronas artificiales al igual que las biológicas constan de una serie de Entradas Xi, que equivalen a las dendritas de donde reciben la estimulación, ponderadas por unos pesos Wi, que representan como los impulsos entrantes son evaluados y se combinan con la función de red que nos dará el nivel de potencial de la neurona y finalmente tienen la salida que vendría a ser como el axón de la neurona biológica.

Los pesos que hay en las sinapsis Wi, equivaldrían en la neurona biológica a los mecanismos que existen en las sinapsis para transmitir la señal. De forma que la unión de estos valores (Xi y Wi) equivalen a las señales químicas inhibitorias y excitadoras que se dan en las sinapsis y que inducen a la neurona a cambiar su comportamiento.

Sin ánimos de entrar en detalles con explicaciones específicas de cuál es la condición de que la neurona deje o no pasar la señal a la siguiente neurona, ajustes de pesos, condiciones de competencia, etc., ya que este artículo no pretende ser un tutorial del tema porque es realmente amplio y profundo, paso a hacer un breve resumen de las similitudes de estos modelos con el de la neurona biológica.

Neuronas Biológicas   =>   Neuronas Artificiales

Conexiones sinápticas   =>   Conexiones ponderadas

Efectividad de las sinapsis   =>   Peso de las conexiones

Efecto excitador o inhibidor de una conexión   =>   Signo del peso de una conexión

Efecto combinado de las sinapsis   =>   Función de propagación o de red

Activación -> tasa de disparo   =>   Función de activación -> Salida 

Aunque estos modelos no son más que una aproximación muy lejana de las neuronas biológicas, lo que se pretendió más que nada durante todos estos años de trabajo e investigación fue imitar la potencia de cálculo que posee nuestro cerebro que tiene relación directa con las características de complejidad, no linealidad, paralelismo y aprendizaje, por lo que estos modelos se tornan muy interesantes por su capacidad de aprender y asociar patrones parecidos lo que nos permite afrontar problemas de difícil solución con la programación tradicional que no posee estas características nombradas anteriormente. 

Con el paso de los años, los modelos de neuronas iníciales se han ido complicando, introduciendo nuevos conceptos llegando a ser un paradigma de computación basado en el comportamiento de las neuronas biológicas, se han implementado en computadoras y equipos especializados para ser simulados y se han obtenido muy buenos resultados. 

Por dar a conocer algunos de los resultados obtenidos durante la implementación de estos modelos en ciertas áreas, paso a citar algunas de las posibles aplicaciones de estos en la actualidad

• Espacio aéreo

–        Pilotos automáticos de alto desempeño.

–        Simulaciones y predicciones de trayectoria de vuelo.

–         Sistemas de control de vuelo.

–         Detección de fallas en componentes de la nave. 

• Automotriz

–        Sistemas automáticos de navegación.

–        Comando por voz.

–        Dirección Teleoperada

• Bancos

–        Lectores de documentos.

–        Evaluadores de asignación de crédito.

–        Identificador de firmas.

• Defensa
• Electrónica

–        Predicción de secuencias de códigos.

–        Control de procesos.

–        Análisis de fallas de circuitos.

–        Visión de máquina.

–        Síntesis de voz.

–        Modelado no lineal.

• Robótica

–       Control de trayectorias.

–       Control de manipuladores.

–       Sistemas de visión.

–       Autómatas para labores domesticas, militares y espaciales.

• Voz

–        Reconocimiento de voz.

–        Compresión de voz.

–        Sintetizadores de texto a voz.

• Telecomunicaciones

–        Compresión de datos e imágenes.

–        Servicios automáticos de información.

–        Traducción de lenguaje hablado en tiempo real.

• Transportación

–        Sistemas ruteadores.

–        Diagnóstico de motores.

–        Tiempos y movimientos.

• Seguridad

–        Reconocimiento de rostros.

–        Identificación y acceso de personas.

• Financieros

–        Evaluación de bienes raíces.

–        Consultor de prestamos.

–        Valuación de bonos corporativos.

–        Análisis del uso de la línea de crédito.

–        Predicción de tipo de cambio.

• Manufactura

–        Control de procesos de manufactura.

–         Análisis y diseño de productos.

–         Diagnóstico de máquinas y procesos.

–          Identificación de partes en tiempo real.

–          Sistemas de inspección de calidad.

–          Análisis de mantenimiento de máquinas.

–          Modelado de sistemas dinámicos.

• Medicina

–        Detección de cáncer mamario o en la piel.

–        Análisis de EEG y ECG.

–        Diseño de prótesis.

–        Optimización de tiempos de trasplante.

–        Reducción de gastos en hospitales.

• Oficinas postales, Verificación remota, predicciones climatológicas, etc.

Como podemos observar en los ejemplos dados más arriba las aplicaciones de estos modelos es bastante amplia y en contraposición con los paradigmas tradicionales poseen muchas ventajas con lo que estos no cuentan, aunque con esto no pretendo exponer que sean mejores que otros modelos, me gustaría dejar bien en claro que estos modelos de tipo biológico nos brindan soluciones a muchos de los problemas que los computadores actuales son incapaces de resolver y que se pensaban eran incluso hasta imposibles para la informática.

Para obtener información más completa respecto a los tipos de redes neuronales artificiales y su clasificación visite:

http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/que-son-las-redes-neuronales.htm