Las redes neuronales son un elemento importante de
las denominadas tecnologías de Inteligencia Artificial (IA).
La IA es "la
disciplina científica y técnica que se ocupa del estudio de las ideas que
permiten ser inteligentes a los ordenadores" (definición de H. Winston).
Otra posible definición de la IA sería: rama de la computación que
se encarga, entre otras cosas, de los problemas de percepción, razonamiento y
aprendizaje en relación con sistemas artificiales, y que tiene como áreas de
investigación a los sistemas expertos y de conocimiento, la robótica, los
lenguajes naturales y las redes neuronales.
Y a pesar de que el objetivo final de la IA, dotar de autentica
inteligencia a las máquinas, queda todavía muy lejos (e incluso hay autores que
defienden que esto nunca será posible), la ciencia de la Inteligencia Artificial ha generado numerosas herramientas
prácticas, entre las que se encuentran las redes neuronales.
Las redes
neuronales, también llamadas "redes de neuronas artificiales",
son modelos bastante simplificados de las redes de
neuronas que forman el cerebro. Y, al igual que este, intentan "aprender" a partir de los datos que se le suministran.
Así, las principales características que diferencian a las redes neuronales de otras tecnologías de IA son:
- Su capacidad de aprendizaje a partir de la experiencia (entrenamiento). Normalmente, para la elaboración de un programa informático es necesario un estudio detallado de la tarea a realizar para después codificarla en un lenguaje de programación. Pero, las redes neuronales pueden ser entrenadas para realizar una determinada tarea sin necesidad de un estudiar esta a fondo ni programarla usando un lenguaje de programación. Además; las redes neuronales pueden volver a entrenarse para ajustarse a nuevas necesidades de la tarea que realizan, sin tenerse que reescribir o revisar el código (cosa frecuente en programas tradicionales).
- Su velocidad de respuesta una vez concluido el
entrenamiento. Se comportan también en este caso de manera similar a como
lo hace el cerebro: los seres humanos no necesitamos pensar mucho para
identificar un objeto, una palabra,... una vez hemos aprendido a hacerlo.
- Su robustez, en el sentido de que el
conocimiento adquirido se encuentra repartido por toda la red, de forma
que si se lesiona una parte se continúan generando cierto número de
respuestas correctas (en este caso también hay cierta analogía con los
cerebros parcialmente dañados).
Las simulaciones de redes neuronales no son un desarrollo reciente. Este
campo fue establecido antes del advenimiento de los computadores, pero su
verdadero desarrollo tuvo lugar cuando las simulaciones por computador fueron
factibles por capacidad de procesamiento y bajo costo. Luego de un periodo
inicial de entusiasmo, las redes neuronales cayeron en un periodo de
frustración y desprestigio. Durante este periodo, cuando el soporte económico y
computacional era mínimo, solo unos pocos investigadores consiguieron logros
importantes. Estos pioneros fueron capaces de desarrollar una tecnología que
sobrepasara las limitaciones identificadas por Minsky and Papert en 1969,
cuando publicaron un libro con el que sembraron un desencanto y frustración
general en la comunidad científica contra las redes neuronales, que aceptó las
conclusiones de estos investigadores sin un mayor análisis. Actualmente, las
redes neuronales es un campo en el cual resurgió el interés y
correspondientemente la financiación para investigar en las mismas ha
aumentado. La historia de las redes neuronales puede dividirse en varios
periodos:
1. Primeros intentos: Se realizaron algunas simulaciones usando lógica formal. McCulloch and Pitts (1943) desarrollaron modelos de redes neuronales basados en su conocimiento de neurología. Dichos modelos tenían varios supuestos acerca del funcionamiento de las neuronas. Sus redes se basaban en neuronas simples, consideradas como dispositivos binarios con umbrales fijos. Los resultados de sus modelos fueron funciones lógicas elementales tales como "a o b" y "a y b".
Dos grupos (Farley and Clark, 1954; Rochester, Holland, Haibit and Duda,
1956) lo intentaron usando simulaciones computacionales. El primer grupo
conformado por investigadores de IBM mantenía un contacto cercano con
neurocientíficos de la universidad de McGill, estableciendo una tendencia
interdisciplinaria que se mantienes en la actualidad.
2. Tecnología emergente y promisoria: No solo la neurociencia influía en el desarrollo de las redes neuronales, también los físicos y los ingenieros contribuían al progresos de las simulaciones de redes neuronales. Rosenblatt (1958) revitalizó fuertemente el interés y la actividad en esta área cuando diseñó y desarrollo su Perceptrón. El Perceptrón tiene tres capas, incluida la capa del medio denominada de asociación. Este sistema pudo aprender a conectar y asociar unas entradas dadas a una unidad de salida aleatoria. Otro sistema fue el ADALINE (ADAptive LInear Element) el cual fue desarrollado en 1960 por Widrow and Hoff (de la Universidad de Stanford ). El ADALINE fue un dispositivo electrónico analógico hecho de componentes simples, con un método de aprendizaje diferente al del Perceptron, empleando una regla de aprendizaje basada en mínimos cuadrados (LMS).
3. Periodo de frustración y desprestigio: En 1969 Minsky and Papert escribieron un libro en cual ellos generalizaban las limitaciones de un Perceptron monocapa a sistemas multicapa. En el libro ellos decían: "...nuestro intuitivo juicio es que la extensión (a sistemas multicapa) es una tarea estéril". El resultado de las afirmaciones de este libro fue eliminar la financiación para los investigadores que trabajaban con simulaciones de redes neuronales. Las conclusiones del libro de Minsky and Papert soportadas con el desencanto de los investigadores en el área, trajo como resultado un gran prejuicio contra la actividad de la misma.
4. Innovación : Aunque el interés público por las redes neuronales era mínimo, varios investigadores continuaron trabajando en el desarrollo de métodos computacionales basados en neuromorfología para problemas de identificación de patrones. Durante este periodo varios paradigmas fueron generados, los cuales aun continúan con trabajos modernos, se puede mencionar a: Steve Grossberg and Gail Carpenter quienes desarrollaron la teoría de la resonancia adaptativa, ART (Adaptive Resonance Theory),. Anderson y Kohonen (1982) quienes desarrollaron técnicas para aprendizaje asociativo. Hopfield (1984)quien desarrolló una red neuronal haciendo un símil energético.
2. Tecnología emergente y promisoria: No solo la neurociencia influía en el desarrollo de las redes neuronales, también los físicos y los ingenieros contribuían al progresos de las simulaciones de redes neuronales. Rosenblatt (1958) revitalizó fuertemente el interés y la actividad en esta área cuando diseñó y desarrollo su Perceptrón. El Perceptrón tiene tres capas, incluida la capa del medio denominada de asociación. Este sistema pudo aprender a conectar y asociar unas entradas dadas a una unidad de salida aleatoria. Otro sistema fue el ADALINE (ADAptive LInear Element) el cual fue desarrollado en 1960 por Widrow and Hoff (de la Universidad de Stanford ). El ADALINE fue un dispositivo electrónico analógico hecho de componentes simples, con un método de aprendizaje diferente al del Perceptron, empleando una regla de aprendizaje basada en mínimos cuadrados (LMS).
3. Periodo de frustración y desprestigio: En 1969 Minsky and Papert escribieron un libro en cual ellos generalizaban las limitaciones de un Perceptron monocapa a sistemas multicapa. En el libro ellos decían: "...nuestro intuitivo juicio es que la extensión (a sistemas multicapa) es una tarea estéril". El resultado de las afirmaciones de este libro fue eliminar la financiación para los investigadores que trabajaban con simulaciones de redes neuronales. Las conclusiones del libro de Minsky and Papert soportadas con el desencanto de los investigadores en el área, trajo como resultado un gran prejuicio contra la actividad de la misma.
4. Innovación : Aunque el interés público por las redes neuronales era mínimo, varios investigadores continuaron trabajando en el desarrollo de métodos computacionales basados en neuromorfología para problemas de identificación de patrones. Durante este periodo varios paradigmas fueron generados, los cuales aun continúan con trabajos modernos, se puede mencionar a: Steve Grossberg and Gail Carpenter quienes desarrollaron la teoría de la resonancia adaptativa, ART (Adaptive Resonance Theory),. Anderson y Kohonen (1982) quienes desarrollaron técnicas para aprendizaje asociativo. Hopfield (1984)quien desarrolló una red neuronal haciendo un símil energético.
Werbos (Paul Werbos 1982) desarrolló y usó el método de aprendizaje
conocido como Backpropagation, destancando que varios años después de
popularizarse este método, es actualmente la arquitectura de red neuronal mejor
conocida y más utilizada en las aplicaciones de redes neuronales. En esencia
una red Back-propagation es un Perceptron con múltiples capas, con diferentes
funciones de activación en las neuronas artificiales y con una regla de
aprendizaje más robusta y confiable.
5. Resurgimiento : Durante el final de la década de los 70s y principios de los 80s, fue importante el resurgimiento del interés en el campo de las redes neuronales. Varios factores han influenciado este movimiento, tales como la aparición de libros y conferencias que han dado a conocer las bondades de esta técnica a personas de diferentes áreas. Introducción de cursos en los programas académicos de las principales universidades europeas y americanas. El financiamiento a proyectos de investigación en redes neuronales en Europa, EUA y Japón que han hecho que aparezcan una gran variedad de aplicaciones comerciales e industriales.
6. Hoy: Se han realizado progresos muy significativos en el campo de las RNA, lo suficientes como para atraer una gran atención e interés en financiar investigaciones. Ya se encuentran comercialmente circuitos integrados basados en RNAs y las aplicaciones desarrolladas resuelven problemas cada vez más complejos. Sin lugar a dudas, hoy es un periodo de transición y fuerte evolución para la tecnología en redes neuronales.
5. Resurgimiento : Durante el final de la década de los 70s y principios de los 80s, fue importante el resurgimiento del interés en el campo de las redes neuronales. Varios factores han influenciado este movimiento, tales como la aparición de libros y conferencias que han dado a conocer las bondades de esta técnica a personas de diferentes áreas. Introducción de cursos en los programas académicos de las principales universidades europeas y americanas. El financiamiento a proyectos de investigación en redes neuronales en Europa, EUA y Japón que han hecho que aparezcan una gran variedad de aplicaciones comerciales e industriales.
6. Hoy: Se han realizado progresos muy significativos en el campo de las RNA, lo suficientes como para atraer una gran atención e interés en financiar investigaciones. Ya se encuentran comercialmente circuitos integrados basados en RNAs y las aplicaciones desarrolladas resuelven problemas cada vez más complejos. Sin lugar a dudas, hoy es un periodo de transición y fuerte evolución para la tecnología en redes neuronales.
en este articulo vemos de manera resumida la historia de las redes neuronales y como han evolucionando , les comparto este link para ampliar un poco mas la informacion
http://sisbib.unmsm.edu.pe/bibvirtualdata/tesis/basic/Villanueva_EM/enPDF/Cap2.PDF
No hay comentarios:
Publicar un comentario