¿Qué es una red neuronal?
En una computadora típica, hecha de acuerdo con lo que se llama una arquitectura de Von Neumann, los bancos de memoria viven en un módulo aislado. Solo hay un procesador, que procesa las instrucciones y la memoria se reescribe una por una, utilizando una arquitectura en serie. Un enfoque diferente a la informática es la red neuronal. En una red neuronal, compuesta por miles o incluso millones de "neuronas" o "nodos" individuales, todo el procesamiento es altamente paralelo y distribuido. Las "memorias" se almacenan dentro de las complejas interconexiones y ponderaciones entre nodos.
Las redes neuronales son el tipo de arquitectura informática utilizada por los cerebros animales en la naturaleza. Esto no es necesariamente porque la red neuronal es un modo de procesamiento inherentemente superior que la computación en serie, sino porque un cerebro que usa la computación en serie sería mucho más difícil de evolucionar de forma incremental. Las redes neuronales también tienden a tratar con "datos ruidosos" mejor que las computadoras seriales.
En una red neuronal de avance, una "capa de entrada" llena de nodos especializados toma información, luego envía una señal a una segunda capa en función de la información que recibió del exterior. Esta información suele ser una señal binaria de "sí o no". A veces, para pasar de un "no" a un "sí", el nodo tiene que experimentar un cierto umbral de excitación o estimulación.
Los datos se mueven desde la capa de entrada a las capas secundaria y terciaria, y así sucesivamente, hasta llegar a una "capa de salida" final que muestra los resultados en una pantalla para que los programadores los analicen. La retina humana funciona basada en redes neuronales. Los nodos de primer nivel detectan características geométricas simples en el campo visual, como colores, líneas y bordes. Los nodos secundarios comienzan a abstraer características más sofisticadas, como movimiento, textura y profundidad. El "resultado" final es lo que registra nuestra conciencia cuando miramos el campo visual. La entrada inicial es solo una disposición compleja de fotones que significaría poco sin el hardware neurológico para darle sentido en términos de cualidades significativas, como la idea de un objeto duradero.
En las redes neuronales de retropropagación, las salidas de las capas anteriores pueden volver a esas capas para restringir las señales adicionales. La mayoría de nuestros sentidos funcionan de esta manera. Los datos iniciales pueden provocar una "suposición educada" en el resultado final, seguido de la observación de datos futuros en el contexto de esa suposición educada. En las ilusiones ópticas, nuestros sentidos hacen suposiciones educadas que resultan ser erróneas.
En lugar de programar redes neuronales algorítmicamente, los programadores deben configurar una red neuronal con entrenamiento o sintonización delicada de neuronas individuales. Por ejemplo, entrenar una red neuronal para reconocer rostros requeriría muchas carreras de entrenamiento en las que se mostraran diferentes objetos "facelike" y "no facelike" a la red, acompañados de retroalimentación positiva o negativa para convencer a la red neuronal de mejorar las habilidades de reconocimiento.