Las Redes Neuronales son el núcleo de la Inteligencia Artificial. Son utilizadas por organizaciones de todo el mundo para innovar,automatizar tareas y para ser más competitivas.
En este artículo explicaré en términos sencillos y sin ningún tipo de términos matemáticos o técnicos qué son y cómo puede usarse para innovar en su dominio.
No hay nada inteligente acerca de la Inteligencia Artificial
Cuando el término "Inteligencia Artificial" entra en una conversación, la mayoría de la gente probablemente piense en un cerebro robótico hecho de partes electrónicas que sea capaz de autoconciencia ... Hace poco escribí una publicación en un blog sobre la increíble y aburrida verdad sobre Artificial Inteligencia, donde explico en términos simples por qué no hay nada intrínsecamente inteligente acerca de la Inteligencia Artificial ... Es solo un software que usa las matemáticas para hacer cálculos complicados.
Las redes neuronales son una de las formas más populares de hacer Machine Learning. Pero resultó que les dimos ese nombre, simplemente porque la arquitectura del software que hace todos los cálculos fue inspirada por nuestra comprensión del cerebro humano.
Cómo funciona el cerebro humano
El cerebro humano es la unidad central de procesamiento del cuerpo humano y está compuesto por aproximadamente 86 billones de células llamadas Neuronas. Cada neurona tiene un núcleo y se conecta a otras neuronas por axones que forman sinapsis. Tenemos aproximadamente un cuatrillón de sinapsis en nuestro cerebro que transportan señales eléctricas. Cada neurona funciona como una "puerta de enlace" que decide si la corriente eléctrica que recibe debe pasar a la siguiente neurona o no.
Cada vez que hay una "entrada" de nuestro cuerpo, digamos por ejemplo, nuestra mano toca una superficie ardiente, se envía una señal eléctrica de la mano a nuestro cerebro y en un período de tiempo muy corto, la señal eléctrica viajará de neurona a neurona, procesando la información, hasta que una señal de "salida" se envíe de vuelta a la mano, diciéndole que se aleje de la superficie caliente lo más pronto posible.
El perceptrón
A fines de la década de 1950, un psicólogo estadounidense con el nombre de Frank Rosenblatt, se le ocurrió el concepto de el perceptrón. El perceptrón es un algoritmo para el aprendizaje supervisado que fue modelado inspirado en la Neurona humana y, como tal, tiene:
- Varios canales de entrada (diferentes corrientes eléctricas)
- Una unidad de procesamiento (el núcleo de la neurona)
- Una salida (la corriente eléctrica pasa a la siguiente neurona o no)
El proceso se repite varias veces y las salidas se convierten en nuevas entradas para otras unidades de procesamiento.
Una secretaria virtual con tecnología de AI
Digamos que soy una persona muy famosa y todos los días recibo en mi correo cientos de invitaciones para participar en eventos. Estoy perdiendo demasiado tiempo leyendo cada invitación y decidiendo si debería participar o no. Decido que quiero entrenar a una secretaria virtual y proporcionarle una red neuronal para que pueda hacer el trabajo por mí.
La secretaria podrá filtrar futuras invitaciones y solo enviarme aquellas que valen la pena y merecen mi atención.
Clasificación binaria
En aras de la simplicidad, digamos que solo hay dos factores que quiero tener en cuenta al tomar la decisión de si quiero asistir a un evento o no:
- El interés del tema
- La distancia desde mi casa
Si el tema es muy interesante y el evento está cerca de mi casa, definitivamente lo atenderé. Si, por el contrario, el evento es aburrido y también está muy lejos de mi apartamento, definitivamente no iré. La red neuronal se vería así:
Digamos que quiero pasar un tiempo con mi secretaria virtual entrenandola para filtrar correctamente mis invitaciones. Si tomo 20 ejemplos, puedo enseñar a mi secretaria virtual los resultados correctos para cada ejemplo.
Si trazo todos los ejemplos en un gráfico de dos dimensiones, los resultados se verían así.
El objetivo final del Machine Learning es descubrir la ecuación matemática que represente con mayor precisión la línea de decisión del límite, de modo que pueda predecir correctamente si asistiré a un evento futuro o no en nuevos datos que le daré.
Con los datos de entrenamiento dados, podemos ver que este es un ejemplo clásico declasificación binaria, donde el límite que separa mi toma de decisiones es una línea recta simple.
Regresión no lineal
A veces, el conjunto de datos no necesariamente se ajusta a una línea recta...
¿Qué sucedería, por ejemplo, si el tema del evento es interesante, pero MUY lejos de mi casa, por ejemplo, en otra ciudad?
Es muy probable que haya una distancia máxima a la que estoy dispuesto a viajar para asistir a cualquier evento dado sin importar lo interesante que sea.
En este caso, necesitaríamos adaptar nuestra ecuación matemática para que pueda proporcionar resultados más precisos y el resultado se vería un poco así.
Esto se conoce como "regresión no lineal" y es probablemente una representación más correcta de la realidad. La regresión no lineal se puede aplicar a un número diferente de conjuntos de datos para dibujar con precisión la predicción o "clasificación" de una decisión.
Regresión multivariable
En nuestro ejemplo, solo usamos dos parámetros para predecir un resultado, pero en realidad, existen múltiples criterios que podrían influir en mi decisión, como por ejemplo:
- El clima
- El costo del evento
- Mi salud
- Que tan libre está mi agenda
- etc
No todas las entradas tienen el mismo peso en la salida. Por ejemplo, un evento puede ser muy interesante y cercano a mi casa, pero si estoy muy enfermo, no hay forma de que salga de la cama.
En este caso, la entrada "salud" tiene un peso (impacto) muy alto en la salida.
Conoce nuestro Magíster Big Data (ceupe.cl)
Comentarios