O que necesitas saber para entender a tecnoloxía en torno a ti
As redes neuronais son modelos computacionais de unidades ou nodos conectados destinados a transmitir, procesar e aprender de información (datos) dunha forma similar á forma en que as neuronas (células nerviosas) traballan nos seres humanos.
Redes Neuronais Artificiais
Na tecnoloxía, as redes neuronais son frecuentemente coñecidas como redes neuronales artificiais (ANNs) ou redes neuronales para distinguir das redes neuronales biolóxicas que se modelan despois. A idea principal detrás de ANNs é que o cerebro humano é o "computador" máis complexo e intelixente que existe. Ao modelar as ANs o máis próximo posible á estrutura e ao sistema de procesamento de información que utiliza o cerebro, os investigadores esperaban crear computadores que se achegaban ou superasen á intelixencia humana. As redes neuronais son un compoñente clave dos avances actuais na intelixencia artificial (AI), a aprendizaxe automática (ML) e a aprendizaxe profunda .
Como funcionan as redes neuronais: unha comparación
Para comprender como funcionan as redes neuronais e as diferenzas entre os dous tipos (biolóxicos e artificiais), imos utilizar o exemplo dun edificio de oficinas de 15 pisos e as liñas telefónicas e os cadros de distribución que rodean as chamadas en todo o edificio, pisos individuais e oficinas individuais. Cada oficina individual no noso edificio de oficinas de 15 pisos representa unha neurona (nodo en redes de computadoras ou células nerviosas en bioloxía). O edificio en si é unha estrutura que contén un conxunto de oficinas dispostas nun sistema de 15 pisos (rede neuronal).
Aplicando o exemplo ás redes neuronales biolóxicas, a centralita que recibe chamadas ten liñas para conectarse a calquera oficina en calquera andar do edificio. Ademais, cada oficina ten liñas que conectan a todas as outras oficinas en todo o edificio en calquera andar. Imaxina que entra unha chamada (entrada) ea centraleta transfíraa a unha oficina no terceiro andar, que a transfire directamente a unha oficina na 11ª planta, que logo transfúndea directamente a unha oficina no 5º andar. No cerebro, cada neurona ou célula nerviosa (unha oficina) pode conectarse directamente con calquera outra neurona no seu sistema ou rede neuronal (o edificio). A información (a chamada) pode ser transmitida a calquera outra neurona (oficina) para procesar ou aprender o que se necesita ata que haxa unha resposta ou resolución (saída).
Cando aplicamos este exemplo a ANNs, é un pouco máis complexo. Cada andar do edificio require a súa propia centraleta, que só pode conectarse ás oficinas do mesmo andar, así como os taboleiros nos pisos por riba e por baixo. Cada oficina só pode conectarse directamente a outras oficinas no mesmo andar e á central para ese piso. Todas as novas chamadas deben comezar coa central no primeiro andar e transferir a cada andar individual en orde numérica ata o 15 º piso antes de que finalice a chamada. Imos poñer en movemento para ver como funciona.
Imaxina que entra unha chamada (entrada) á centralita de 1º andar e é enviada a unha oficina no 1º piso (nodo). A chamada transfírese directamente entre outras oficinas (nodos) no primeiro piso ata que estea listo para ser enviado ao seguinte piso. A continuación, a chamada debe ser enviada de novo á centralita de 1 º andar, que a transfire á mesma na central do segundo andar. Estes mesmos pasos repiten un piso á vez, coa chamada que se envía a través deste proceso en cada piso ata o andar 15.
En ANNs, os nodos (oficinas) están dispostos en capas (pisos do edificio). A información (unha chamada) sempre entra pola capa de entrada (1 º andar e o seu cadro de centrais) e debe ser enviada e procesada por cada capa (piso) antes de que poida pasar á seguinte. Cada capa (piso) procesa un detalle específico sobre esa chamada e envía o resultado xunto coa chamada á seguinte capa. Cando a chamada chega á capa de saída (15 º andar e á súa central), inclúe a información de procesamento das capas 1-14. Os nodos (oficinas) na 15 ª capa (chan) utilizan a información de entrada e procesamento de todas as outras capas (pisos) para chegar a unha resposta ou resolución (saída).
Redes neuronais e aprendizaxe de máquinas
As redes neuronais son un tipo de tecnoloxía baixo a categoría de aprendizaxe automática. De feito, o progreso na investigación e desenvolvemento de redes neuronales estivo estreitamente ligado aos fluxos de progreso e avances en ML. As redes neuronais expanden as capacidades de procesamento de datos e estimulan o poder informático de ML, aumentando o volume de datos que poden ser procesados, pero tamén a capacidade de realizar tarefas máis complexas.
O primeiro modelo informático documentado para ANNs foi creado en 1943 por Walter Pitts e Warren McCulloch. O interese inicial e a investigación nas redes neuronais e na aprendizaxe automática eventualmente desaceleraron e quedaron máis ou menos estancadas en 1969, con só pequenas ráfagas de interese renovado. As computadoras da época simplemente non tiñan procesadores suficientemente rápidos ou suficientes para avanzar nestas áreas e a gran cantidade de datos necesarios para ML e redes neuronales non estaban dispoñibles nese momento.
Os aumentos masivos do poder informático ao longo do tempo, xunto co crecemento e expansión de internet (e así o acceso a cantidades masivas de datos a través de Internet) resolvéronse eses retos tempranos. As redes neuronais e ML agora teñen un papel fundamental nas tecnoloxías que vemos e usamos a diario, como o recoñecemento facial , o procesamento e a busca de imaxes e a tradución en tempo real, por citar algúns.
Exemplos de redes neuronais na vida cotiá
O ANN é un tema bastante complexo dentro da tecnoloxía, pero paga a pena ter un pouco de tempo para explorar debido ao crecente número de formas en que afecta a nosa vida todos os días. Aquí hai algúns exemplos máis de formas en que as redes neuronales son utilizadas actualmente por diferentes industrias:
- Finanzas: Utilízanse redes neuronais para prever os tipos de cambio. Tamén se utilizan na tecnoloxía detrás dos sistemas comerciais automáticos utilizados no mercado de accións.
- Medicina: as capacidades de procesamento de imaxes das redes neuronais contribuíron á tecnoloxía que axuda a escapar e detectar de xeito máis preciso os tipos de cancro na etapa inicial e difícil de identificar. Un tal tipo de cancro é o melanoma invasivo, a forma máis grave e mortal de cancro de pel. A identificación do melanoma nas fases previas, antes de estenderse, dá aos pacientes con este tipo de cancro as mellores posibilidades de superalo.
- Tempo: a capacidade de detectar cambios atmosféricos que indican un evento meteorolóxico potencialmente grave e perigoso o máis rápido e preciso posible é esencial para salvar vidas. As redes neuronais están implicadas no procesamento en tempo real de imaxes de satélite e radar que non só detectan a formación precoz de furacáns e ciclóns, senón que tamén detectan cambios repentinos na velocidade e dirección do vento que indican un tornado formando. Os tornados son algúns dos eventos meteorolóxicos máis fortes e perigosos rexistrados, moitas veces máis súbita, destrutiva e mortal que os furacáns.