En la nueva era de las comunicaciones, la commodity más valiosa es sin lugar a dudas la información. Cada día más de 2 billones de bytes de datos circulan por las venas de internet, y tener la capacidad de analizarla y obtener información de utilidad es una gran ventaja competitiva para cualquier empresa. Para lograr este cometido, las redes neuronales artificiales aparecen como la familia de algoritmos más destacada.

A continuación veremos de qué se trata.

¿Qué es una red neuronal?

Comencemos por definiciones. Una red neuronal artificial (RNA) es un sistema computacional diseñado con el objetivo de simular la capacidad de procesamiento de información que realiza el cerebro humano.

Estas redes neuronales artificiales se encuentran dentro de la familia de herramientas de Inteligencia Artificial (IA), y pueden resolver problemas que serían imposibles para los humanos.

Estos sistemas, sumados al Machine Learning, pueden ir mejorando la calidad de los resultados obtenidos a medida que obtienen información para procesar.

Historia de las redes neuronales

Antes de continuar, vamos a hacer un resumido repaso por su larga historia, que comienza a mediados del último siglo.

Como era de esperar, tratar de imitar el procesamiento lógico de la información que realizamos los humanos a través de fórmulas matemáticas generó (y sigue generando) mucho escepticismo.

Para remontarnos a sus inicios, tenemos que reconocer la figura de Santiago Ramón y Cajal, ganador del premio Nobel por su estudio de la estructura del sistema nervioso, la piedra angular que, sin saberlo, hoy le da vida al desarrollo de las redes neuronales.

En 1958, se creó la primera estructura capaz de obtener un resultado binario a través del ingreso de dos parámetros. Los mismos se evaluaban con una fórmula matemática en comparación a un número establecido, denominado umbral.

Esta simple estructura podría reconocerse como la “recreación” de la unidad mínima de una red neuronal, o sea, una neurona.

Con el pasar de los años, esta misma estructura se fue combinando hasta obtener sistemas capaces de realizar operaciones más complejas, como “multilayer perceptron” en 1965.

En los 80s, se introdujo al sistema de redes neuronales artificiales la posibilidad de aprender sobre sus propias operaciones, como las neuronas sigmoides y backpropagation.

Las redes neuronales, si bien continuaron con su desarrollo, no fue hasta el 2006 donde el DBN (Deep Belief Network) permitió el análisis de datos más profundo, lo que devolvió el entusiasmo y otorgó credibilidad a los sistemas.

En la actualidad, la capacidad de procesamiento y la continua investigación sobre el cerebro humano, están abriendo un mundo de posibilidades en el campo de las redes neuronales artificiales.

¿En qué consisten las redes neuronales hablando en términos informáticos?

De la misma manera que funciona el cerebro humano, las redes neuronales artificiales más avanzadas cuentan con cientos de miles de unidades de procesamiento interconectadas por nodos. Las mismas reciben, procesan y transmiten la información, como nuestras neuronas.

Dentro de esas unidades de procesamiento, la información recibida se analiza de acuerdo a parámetros establecidos que le permiten obtener y transmitir un resultado hacia la próxima unidad.

Clasificación de los tipos de redes neuronales

Hay dos características que hacen a las redes neuronales diferentes entre sí. Su conformación arquitectónica y su método de aprendizaje. Vamos a ver las diferencias sin meternos en conceptos muy técnicos.

Según el método de aprendizaje

El aprendizaje es el procedimiento por el cual las redes neuronales ajustan sus parámetros libres por medio de un proceso de estimulación. O sea, podríamos decir que es el entrenamiento del sistema.

Los encontramos de diferentes tipos.

Aprendizaje supervisado

En este sistema se muestran a la red los patrones y la salida deseada utilizando una fórmula matemática para disminuir sus errores. Así puede realizar cálculos de forma continua para obtener los resultados más cercanos posibles a la salida deseada.

Aprendizaje no supervisado

A diferencia del aprendizaje supervisado, este modelo desconoce el resultado y se basa en las observaciones de características, regularidades, correlaciones y categorías de los parámetros de entrada, sin contar con influencia externa.

Aprendizaje reforzado o aprendizaje por refuerzo

Con base en la psicología conductista, el aprendizaje reforzado (o reinforcement learning) es un proceso que utiliza las simulaciones para su desarrollo con un sistema de recompensas, donde los resultados positivos son “premiados” (refuerzo positivo), y los errores disuadidos.

Para bajar este concepto a tierra, un juego por ordenador puede realizar miles de simulaciones hasta encontrar las movidas que llevarán a la victoria, atravesando primero por muchas derrotas.

Aprendizaje híbrido

Utiliza una combinación de los métodos mencionados anteriormente.

Según su tipología y arquitectura

Esta clasificación se determina según la organización y disposición de las neuronas en la red. La primera forma de organización se realiza en capas, y estas se organizan para formar las redes.

Redes neuronales monocapa

Son el ejemplo más básico y sencillo de conexión en una sola capa, utilizadas para clasificar patrones linealmente separables.

Redes neuronales multicapa

Entre la capa de entrada y la de salida se desarrollan capas intermedias u ocultas, y es capaz de eliminar información irrelevante.

Redes neuronales convolucionales

Son el tipo más complejo. Cuenta con diferentes capas y cada una de ellas está entrenada para realizar una tarea diferente.

Redes neuronales recurrentes

Este tipo de redes se caracteriza por contar con lazos de retroalimentación entre neuronas de diferentes capas, de la misma capa, o la neurona consigo misma.

¿Para qué sirven las redes neuronales?

Debido a su capacidad de obtener resultados utilizando diversas fuentes de información y parámetros de interpretación, las redes neuronales artificiales permiten resolver una gran variedad de problemas y otorgar soluciones que van ganando terreno en nuestras vidas. Como por ejemplo la clasificación, agrupamiento, reconocimiento de patrones, detección de anomalías, predicciones, y muchas otras más.

Dentro de sus aplicaciones, encontramos las siguientes:

Redes neuronales y procesamiento natural del lenguaje (NLP)

A partir de un texto, las redes neuronales artificiales permiten detectar diferentes parámetros para clasificar el mismo según nuestros objetivos.

Hoy ya existen sistemas de procesamiento del lenguaje capaces de clasificar gran cantidad de comentarios sobre productos de acuerdo a la intención del mensaje (positivo, neutral, negativo), objetividad, tema principal, etc.

Imagina el potencial uso que tiene este sistema para las grandes compañías, que automáticamente pueden obtener cientos de miles de reseñas expresadas en números objetivos.

Predicciones bursátiles

Las predicciones sobre el comportamiento de las acciones en los mercados es una tarea con la que muchos profesionales se ganan la vida.

Estas predicciones, además de las variables de entrada que pueden ser objetivas, están determinadas en gran medida por el comportamiento del ser humano, y eso puede ser muy difícil de predecir.

Ahora, gracias a las redes neuronales profundas y el deep learning, se están desarrollando sistemas que permiten detectar patrones sobre el precio de las acciones y, al mismo tiempo, la red se retroalimenta sobre los resultados obtenidos.

El resultado que obtenemos es un pronóstico para la toma de decisiones bursátiles, pero nuevamente, si todos hacen caso a esas predicciones el sistema se vuelve a modificar (y la red a retroalimentar).

Gestión de riesgos

Gracias a las redes neuronales se puede predecir el resultado de una situación con mayor rapidez y precisión que muchos otros sistemas, ahorrando tiempo y costes operativos. 

Por estos motivos muchas entidades las utilizan para predecir el factor de riesgo ante muchas situaciones, como solicitantes a créditos, control de riesgo operacional, prevención de fraude, control de clientes, etc.

Reconocimiento de caracteres

No es un sistema tan lineal como puede parecer. Las personas no solamente tenemos nuestro “propio alfabeto” a la hora de escribir, sino que también nuestra forma de representar las letras puede variar cada vez que las escribimos.

Por estos motivos, las redes neuronales aportan la solución a la hora de reconocer patrones de escritura, evolucionando con cada uso, y permitiendo el reconocimiento de caracteres en un manuscrito, como una agenda digital (PDA).

Reconocimiento de imágenes

Para nosotros es sencillo. Con un simple vistazo podemos identificar cuáles son los componentes de una imagen.

Pero para los “ojos” de un ordenador, no es tan fácil.

Reconocer qué objetos se encuentran dentro de un montón de píxeles de diferentes colores requiere la utilización de redes neuronales convolucionales.

El sistema divide la imagen en muchas capas y las reconoce individualmente, para luego continuar con el armado de la imagen en su totalidad, reconociendo su contenido.

Reconocimiento de voz

Como sucede con la escritura, el timbre de voz es una característica muy personal, y este es uno de los problemas que enfrentan estos sistemas.

El estado de ánimo, contexto, salud, y fuerza de pronunciación también influyen en que los humanos no podamos decir la misma palabra de forma idéntica dos veces.

Todos estos motivos nos hacen soñar con que nuestro GPS finalmente entenderá con claridad nuestras indicaciones en un futuro próximo.

Generación de texto

Por supuesto el texto no es generado desde la nada. A través de un sistema de identificación de texto y aprendizaje automático, los sistemas de redes neuronales son capaces de recurrir a una librería, identificar patrones y características principales de un texto, para luego reproducir un contenido original.

Traducción automática neuronal

A través de sistemas de deep learning, la traducción automática neuronal (NMT, por sus siglas en inglés) se retroalimenta sobre base de datos y correcciones en el sistema para crear cada vez traducciones más fiables y similares a las realizadas por un profesional.

Por supuesto, estos sistemas son confiables hasta cierto punto, y las empresas recurren al apoyo de profesionales certificados a la hora de realizar traducciones de diferentes tipos.

Conducción autónoma

Si hay algo que nos ha sorprendido en los últimos años es el desarrollo de coches autónomos.

Esta posibilidad que creíamos tan lejana hoy es una realidad gracias a las redes neuronales.

Estos sistemas permiten reconocer patrones en el camino, peatones, otros coches, señales de tráfico, y tantas cosas como son necesarias para que un coche se mueva bajo su propio riesgo.

Pronóstico de enfermedades

Otra de las aplicaciones más optimistas de las redes neuronales consiste en la detección anticipada de síntomas que pueden derivar en una enfermedad.

A través del reconocimiento de patrones y previsiones a futuro, estos sistemas pueden alertar sobre un posible problema de salud en el futuro, lo que sin lugar a dudas es de gran ayuda a la hora de preservar la salud de los individuos, y en segundo plano, ahorrar dinero a los sistemas de salud. Prevenir siempre es mejor que curar.

Casos de éxito más conocidos que utilizan redes neuronales

YouTube

Retener la atención de sus usuarios es una de las claves del éxito de las redes sociales, y para lograrlo la mejor estrategia es ofrecer contenido de interés personalizado para cada usuario.

Pero aquí está el problema.

YouTube cuenta con más de 2 mil millones de usuarios, y cada minuto se suben más de 300 horas de vídeo.

Entonces ¿Cómo cruzar tanta información de una forma efectiva?

La respuesta son las redes neuronales artificiales.

Hasta 2016, YouTube utilizaba un tipo de algoritmos para sus recomendaciones basados en datos como duración de vídeos, suscriptores, veces que había sido compartido, etc.

Pero a partir de ese año modificaron sus sistemas, que tienen en cuenta los datos de navegación del usuario, sugerencias rechazadas, likes de usuarios que consumen contenidos similares, etc.

El mismo sistema se retroalimenta continuamente de acuerdo al comportamiento frente a las sugerencias.

Amazon

Más allá del sistema de recomendación de productos, el gigante del comercio online trabaja en un desarrollo de voz sintética para su servicio de Amazon Web Services.

El objetivo es lograr que la misma se escuche como una persona de verdad, y tendrá en cuenta la entonación de las palabras dependiendo del contexto y fin de los enunciados. No es lo mismo una locución informativa, que de ventas o deportiva.

Microsoft

La empresa de Bill Gates utilizó las redes neuronales para predecir la probabilidad de compra de productos de sus antiguos clientes a partir de campañas de email marketing.

Con estos datos, fueron capaces de identificar al grupo de individuos que más probablemente podrían comprar un determinado producto, e intensificaron las acciones de venta sobre estos grupos. Como resultado, obtuvieron los mismos beneficios reduciendo un 35% los costes.

HSBC

La entidad utiliza estos sistemas de inteligencia para analizar el comportamiento de consumo y pago de sus clientes y así poder estimar los riesgos a la hora de adquirir una hipoteca o préstamo.

Starbucks

Hay profesionales que aseguran que la empresa no está en el mercado de la venta de café, sino en la del análisis de datos.

Con más de 100 millones de transacciones por semana, los sistemas de inteligencia artificial utilizan toda esta información para comunicarse con sus clientes, desarrollar productos, planificación de nuevas aperturas, mantenimiento de su maquinaria, etc.

¿Las redes neuronales llegaron para reemplazarnos?

Como muchas otras cosas que tiempo atrás creíamos imposibles, hoy nos vemos obligados a reconocer que cada vez más tareas realizadas por el ser humano pueden ser reemplazadas gracias a la utilización de redes neuronales e inteligencia artificial. La gran pregunta es ¿hasta dónde llegarán?