Qué entendemos por Red Neuronal en Inteligencia Artificial

El término red neuronal artificial se refiere a un subconjunto de inteligencia artificial inspirado biológicamente que sigue el modelo del cerebro.

Una red neuronal artificial es típicamente una red informática basada en redes neuronales biológicas que replican la estructura del cerebro humano. De manera similar a cómo las neuronas están interconectadas en el cerebro humano, las redes neuronales artificiales también tienen neuronas interconectadas en diferentes capas de la red.

Estas neuronas se llaman nodos. El artículo sobre redes neuronales artificiales cubre todos los aspectos relacionados con las redes neuronales artificiales. En este artículo, discutiremos la red neuronal en inteligencia artificial.

¿Qué es una red neuronal artificial?

En tecnología de la información (TI), una red neuronal artificial (ANN) es un sistema de hardware y/o software que imita la forma en que funcionan las neuronas en el cerebro humano. Las ANN, también conocidas simplemente como redes neuronales, son una variante de la tecnología de aprendizaje profundo, que también se incluye en el término inteligencia artificial (IA). Las aplicaciones comerciales de estas tecnologías generalmente se enfocan en resolver problemas complejos de procesamiento de señales o reconocimiento de patrones.

Los ejemplos de las principales aplicaciones comerciales desde 2000 incluyen el reconocimiento de escritura a mano para el procesamiento de cheques, la transcripción de voz a texto, el análisis de datos de exploración de petróleo, el pronóstico del tiempo y el reconocimiento facial. La historia de las redes neuronales artificiales se remonta a los primeros días de la tecnología informática. En 1943, los matemáticos Warren McCulloch y Walter Pitts construyeron un sistema de circuito diseñado para imitar el funcionamiento del cerebro humano y ejecutar algoritmos simples.

No fue hasta alrededor de 2010 que se reanudó la investigación. La tendencia Big Data, en la que las empresas acumulan grandes cantidades de datos, y la computación paralela permitieron a los científicos de datos aprovechar los datos de entrenamiento y los recursos computacionales necesarios para ejecutar redes neuronales artificiales complejas. En 2012, una red neuronal logró superar a los humanos en una tarea de reconocimiento de imágenes en la competencia ImageNet. Desde entonces, el interés por las redes neuronales artificiales se ha disparado y la tecnología sigue mejorando.

Cómo funcionan las redes neuronales artificiales

Una ANN generalmente consta de una gran cantidad de procesadores que trabajan en paralelo, dispuestos en múltiples capas. El primer nivel recibe información de entrada sin procesar, análoga a los nervios ópticos en el procesamiento de la visión humana. Cada nivel subsiguiente recibe la salida del nivel anterior, en lugar de la entrada sin procesar, del mismo modo que las neuronas más alejadas del nervio óptico reciben señales de las neuronas más cercanas. El nivel final produce la salida del sistema.

Cada nodo de procesamiento tiene su propio pequeño conjunto de conocimientos, incluido lo que ha visto y las reglas con las que se programó o desarrolló originalmente para sí mismo. Los niveles están altamente interconectados, lo que significa que cada nodo en el nivel n está conectado a muchos nodos en el nivel n-1 (sus entradas) y en el nivel n+1, que proporciona datos de entrada para esos nodos. Puede haber uno o más nodos en la capa de salida desde los que leer la respuesta que genera.

Las redes neuronales artificiales se caracterizan por ser adaptativas, lo que significa que cambian a medida que aprenden del entrenamiento inicial y las ejecuciones posteriores brindan más información sobre el mundo. El modelo de aprendizaje más básico se basa en la ponderación de los flujos de entrada, es decir, cómo cada nodo pondera la importancia de los datos de entrada de cada uno de sus predecesores. Las entradas que contribuyen a las respuestas correctas tienen mayor peso.

Cómo aprenden las redes neuronales

Por lo general, una ANN primero se entrena o alimenta con grandes cantidades de datos. La capacitación se trata de tomar entradas y decirle a la red cuál debería ser la salida. Por ejemplo, para crear una red que reconozca los rostros de los actores, el entrenamiento inicial puede consistir en un conjunto de imágenes, incluidos actores, no actores, máscaras, estatuas y rostros de animales. Cada entrada va acompañada de una identificación adecuada, como el nombre del actor o la información "no es un actor" o "no es un ser humano". Al proporcionar las respuestas, el modelo puede ajustar sus pesos internos para aprender a hacer mejor su trabajo.

Por ejemplo, si los nodos David, Dianne y Dakota le dicen al nodo Ernie que la imagen de entrada actual es una imagen de Brad Pitt, pero el nodo Durango dice que es Betty White y el programa de capacitación confirma que es Pitt, Ernie disminuir el peso de entrada de Durango y aumentar el peso de entrada de David, Dianne y Dakota.

Al definir reglas y tomar decisiones, es decir, cada nodo decide qué enviar al siguiente nivel en función de las entradas del nivel anterior, las redes neuronales utilizan varios principios. Estos incluyen entrenamiento basado en gradientes, lógica difusa, algoritmos genéticos y métodos bayesianos. Se les pueden dar algunas reglas básicas sobre las relaciones de los objetos en los datos que se modelan.

Muchas gracias por visitarme. Sin usted, esta web no existiria, espero que le haya gustado y vuelva ☺️

Articulos tematica Inteligencia Artificial

Fecha actualizacion el 2022-02-28. Fecha publicacion el 2022-02-28. Categoria: Inteligencia Artificial Autor: Oscar olg Mapa del sitio Fuente: bollyinside