Qué son las Redes Neuronales Artificiales y el Deep Learning

 
redes neuronales artificiales y deep learning

La inteligencia artificial tiene aplicaciones en todos los sectores. Parte de su potencial radica en el subcampo de las redes neuronales artificiales y deep learning. Sin embargo, estos conceptos no han sido muy bien explicados al público general, por lo que parecen ser muy complejos o confusos.

Por ello, aquí una explicación bastante fácil de digerir sobre estas tecnologías que están cambiando a la sociedad.

 

¿Qué son las redes neuronales artificiales?

Las redes neuronales artificiales (RNA) son modelos computacionales que procesan información imitando el funcionamiento de las neuronas biológicas. En este sentido, las redes artificiales están compuestas por nodos o “neuronas” que reciben, transmiten y envían información.

El objetivo de las RNA es ayudar a que los sistemas informáticos puedan funcionar tal como un cerebro humano en cuanto a aprendizaje y pensamiento. De esta idea parte el concepto de “inteligencia artificial”.

¿Cómo funcionan las redes neuronales artificiales?

Las redes neuronales artificiales están conformadas por 3 tipos de nodos o neuronas:

  • Nodos de entrada: reciben la información desde el exterior de la red (input).
  • Nodos de salida: envían la información hacia el exterior de la red (output).
  • Nodos ocultos: transmiten la información entre los nodos de la red. Por lo tanto, se encuentran en el medio de los nodos de entrada y de salida y no tienen contacto con el exterior.

Las RNA suelen estar conformadas por múltiples capas de nodos ocultos, a estas se les llaman “capas de aprendizaje”. A mayor cantidad de capas, mayor es la profundidad de la red y mayor es la capacidad de aprendizaje.

En este contexto, los nodos de entrada reciben una serie de datos desde el exterior, estos datos son enviados al interior de la red hacia los nodos ocultos. Los nodos ocultos van procesando, modificando y transfiriendo la información de una capa a otra. Este proceso es lo que se conoce como “aprendizaje”, pues cada capa de nodos ocultos va aprendiendo de las capas más externas. Dicha secuencia de aprendizaje es lo que da origen al Deep Learning. De aquí la inseparable relación entre redes neuronales artificiales y deep learning.

Cuando las redes neuronales son entrenadas, cada red crea, modifica o elimina conexiones entre los nodos con el fin de dar respuestas más acertadas ante el problema que busca resolver.

¿Qué es el deep learning?

El deep learning o aprendizaje profundo es un subcampo dentro de las redes neuronales artificiales. Este entra en funcionamiento cuando dichas redes poseen gran cantidad de capas de nodos. A mayor cantidad de capas, mayor es la profundidad de la red.

Al contar con altos niveles de profundidad, el deep learning le permite al sistema aprender elementos cada vez más complejos. De esta manera, el aprendizaje profundo ayuda a que las computadoras no solo aprendan significados, sino también a que comprendan simbolismos y contextos completos y dinámicos. 

¿Qué problemas resuelven las redes neuronales artificiales y el deep learning?

Algunos de los problemas más populares que resuelven las redes neuronales artificiales y el deep learning son:

  • Conversión de voz a texto
  • Traducción de idiomas
  • Descripción de imágenes
  • Generación de imágenes

Conversión de voz a texto

redes neuronales artificiales y deep learning voz texto

Entre el año 2000 al 2009, el margen de error en la conversión de voz a texto era de aproximadamente 27%. Esto significa que por cada 100 palabras a convertir 27 resultaban incorrectas.

En el 2009 se comenzó a introducir técnicas de redes neuronales artificiales y deep learning para resolver el problema de pasar la voz a texto. Lo cual redujo el margen de error hacia un 14%, luego hacia un 8% en el 2012 y, hoy en día, se encuentra por debajo del 2%.

Traducción de idiomasredes neuronales artificiales y deep learning - translation model

Fuente: Google blog

En el caso de Google Translate, podemos ver una escala comparativa de la efectividad de las traducciones por parte de:

  • Sistema Phrase Based Machine Translation (color azul): este era el modelo que usaba Google antes de incorporar redes neuronales.
  • Sistema Google Neural Machine Translation (color verde): es el actual modelo utilizado por Google basado en redes neuronales artificiales y deep learning.
  • Traducciones humanas (color naranja): se usa como referencia de efectividad.

Como se puede observar, la calidad de las traducciones por parte de las redes neuronales es mucho mayor que el sistema anterior y, además, se acerca bastante a los niveles de calidad de las traducciones humanas.

Descripción de imágenes

redes neuronales artificiales y deep learning  - image caption

Fuente: Towards Data Science

Para resolver el problema de Image Captioning o de convertir imágenes a textos, un tipo de redes neuronales llamadas convolucionales transforman cada imagen en un vector. Dichos vectores son procesados por otras redes llamadas recurrentes y, así, transformados en textos.

Con la finalidad de brindar resultados más precisos, las RNA analizan las imágenes por sectores de manera independiente. Así, pueden procesar el objeto principal y los elementos de su contexto por separado. Al hacerlo, la descripción resultante consiste en ubicar el objeto principal detectado dentro del contexto también detectado.

Cuando se producen errores en las descripciones de las imágenes estos se pueden deber a que las redes neuronales utilizadas no fueron entrenadas anteriormente con imágenes que tuviesen los objetos a los que actualmente se les pide identificar. Por lo tanto, no tuvieron un modelo de referencia visual para poder aprender de este.

Aquí un experimento muy interesante de las redes neuronales aplicadas a imágenes de la película Avengers: Infinity War.

Generación de imágenes

 redes neuronales artificiales y deep learning - generacion de imagenes

Fuente: NVIDIA 

La generación de imágenes desde 0 es uno de los problemas más famosos que se ha estado resolviendo con las RNA. Este problema llamó la atención pública gracias al impresionante resultado de NVIDIA en la creación de retratos humanos casi perfectos. Dichos retratos fueron generados sin tener ningún tipo de imagen como referencia, de allí su innovación.

En el procedimiento de generación de imágenes desde 0 intervienen dos modelos de redes neuronales:

  • Modelo generador: es el encargado de ir creando y perfeccionando los rostros desde 0.
  • Modelo discriminador: es el encargado de irle diciendo al modelo generador cuándo va por buen camino y cuándo no.

El modelo generador, al intentar crear un rostro desde 0 sin tener ninguna referencia real, solo es capaz de generar ruido visual en un principio. Aquí interviene el modelo discriminador, al cual sí se le ha mostrado una referencia real de un rostro humano.

El modelo discriminador se encarga, entonces, de ir realizando feedbacks sobre las imágenes producidas por el generador, con el fin de que este pueda ir aprendiendo si se está acercando o no a la imagen de un rostro humano. Así, ambos modelos van aprendiendo el uno del otro, de manera sinérgica.

A este esquema de funcionamiento se le conoce como “redes neuronales generativas adversarias”.

Usos empresariales de las redes neuronales artificiales inteligencia empresarial

La inteligencia artificial y sus distintos subcampos tienen un gran potencial en las aplicaciones empresariales. Detección de fraudes, monitorización de tendencias, detección de patrones, predicción de comportamientos, entre otras son las posibles áreas en las cuales una organización puede utilizar IA.

Sin embargo, el uso de estos algoritmos requiere de personal altamente capacitado. Por ejemplo, en el caso de las redes neuronales artificiales y deep learning, es necesario que los profesionales sepan adaptar el modelo computacional al nivel de complejidad de cada problema.

Utilizar recursos de RNA muy potentes para resolver problemas “sencillos” puede producir problemas importantes. De igual manera, utilizar modelos poco potentes para problemas complejos no permite llegar a los resultados deseados.

Descubre más sobre redes neuronales artificiales e IA

En Enzyme Advising Group somos expertos en desarrollar soluciones empresariales basadas en inteligencia artificial. Tenemos una reconocida trayectoria en todo el continente europeo en cuanto a la creación de sistemas de muy alto rendimiento.

¿Quieres saber cómo implementar RPA en tu empresa? Descarga la guía aquí

 

Más noticias

¿Cómo se ejecuta un proyecto de automatización de procesos con RPA?

La automatización de procesos con RPA es una de las tendencias en la transformación digital. La posibilidad de automatizar tareas, para que las personas puedan dedicar su tiempo y esfuerzo a tareas...

Leer másArrow 41

Explainability AI: cómo hacer nuestro modelo legible

A la hora de tomar decisiones, la inteligencia artificial se ha convertido en una herramienta muy útil en el día a día. Lo curioso es que esto es así tanto en el ámbito personal como en el laboral....

Leer másArrow 41

Inversión en tecnología: clave para hacer frente a la crisis económica

La crisis económica es una realidad palpable en la actualidad. La inflación de los precios, la poca disponibilidad de los combustibles, así como la lenta recuperación de la Covid-19, han hecho que...

Leer másArrow 41

Supply chain: tendencias y retos tecnológicos

En el mundo empresarial contemporáneo, la gestión efectiva de la cadena de suministro es fundamental para el éxito y la competitividad de las organizaciones. La cadena de suministro, o supply chain...

Leer másArrow 41

Cómo diseñar una estrategia de IA para incrementar el éxito de los proyectos de Machine Learning

En el Webinar “AI Strategy: Cómo diseñar una estrategia de IA para incrementar el éxito de los proyectos”, hemos compartido una visión acerca de aquellos problemas generales que hacen que proyectos...

Leer másArrow 41