Una red neuronal artificial (ANN) es un nodo de unidades de cálculo de IA que procesa datos simulando la forma en que lo hace un cerebro humano. La primera formulación teórica de redes neuronales procede de las formalizaciones de Warren McCulloch y Walter Harry Pitts, quienes en 1943 presentaron la noción de red neuronal y propusieron un modelo binario basado en un sistema de llaves de entrada y salida mediante el cual las neuronas se comunican entre sí de manera masiva e interconectada.
Las primeras redes neuronales artificiales fueron estructuras computacionales muy simples que fueron evolucionando y ganando complejidad y se constituyeron como las principales representantes de lo que se conoce en IA como modelos conexionistas.
Las redes neuronales artificiales se componen de capas de nodos que contienen una capa de entrada, una o más capas ocultas, y una capa de salida. Cada nodo, o neurona artificial, se conecta a otro y tiene un peso y un umbral asociados. Si la salida de cualquier nodo individual está por encima del valor de umbral especificado, dicho nodo se activa, enviando datos a la siguiente capa de la red. De lo contrario, no se transmiten datos a la siguiente capa de la red por ese nodo. El «profundo” del aprendizaje profundo hace referencia al número de capas de una red neuronal. Una red neuronal que consta de más de tres capas, que incluirían la de entrada y salida, puede considerarse un algoritmo de DL o una red neuronal profunda. Una red neuronal que solo tiene tres capas es una red neuronal básica.
Al aprendizaje profundo y a las redes neuronales se les atribuyen la aceleración del progreso en áreas como la visión artificial, el procesamiento del lenguaje natural y el reconocimiento del habla.
¿Cómo funciona el cálculo ponderado en un sistema de neuronas interconectadas? El sistema opera enviando un resultado 0 o 1 de una neurona o unidad de cálculo a la otra, allí “ese 0 o 1 se multiplicará por el correspondiente peso sináptico de la neurona siguiente, se sumará con las otras entradas, y determinará así la salida de esa segunda neurona que ha sido conectada”. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, operan a través de ML y se basan en datos de entrenamiento para aprender y mejorar su precisión con el tiempo.
REFERENCIAS
Arenas, Marcelo; Arriagada, Gabriela; Mendoza, Marcelo; Prieto, Claudia (2020). Una breve mirada al estado actual de la Inteligencia Artificial, Pontificia Universidad Católica de Chile, 2020. https://desarrollodocente.uc.cl/wp-content/uploads/2020/09/Una-breve-mirada-al-estado-actual-de-la-Inteligencia-Artificial.pdf
Crawford, Kate (2022). Atlas de inteligencia artificial. Poder, política y costos planetarios. Buenos Aires, Fondo de Cultura Económica.
Pasquinelli, Matteo; Joler, Vladan (2021). “El nooscopio de manifiesto. La inteligencia artificial como instrumento del extractivismo cognitivo”, en revista La Fuga.https://lafuga.cl/el-nooscopio-de-manifiesto/1053.
Solanet, Manuel (ed). Inteligencia artificial: una mirada multidisciplinaria. Buenos Aires, Academia Nacional de Ciencias Morales y Políticas.
Documentos oficiales y páginas web
OCDE (2019).“Artificial Intelligence in Society”.https://www.oecd.org/digital/, Recommendation of the Council on Artificial Intelligence. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
https://ischoolonline.berkeley.edu/blog/what-is-machine-learning/
https://www.ibm.com/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks/
https://ischoolonline.berkeley.edu/blog/what-is-machine-learning/
https://www.ibm.com/mx-es/topics/machine-learning
