.jpg)
REDES NEURONALES: ROBÓTICA
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 numero de respuestas
correctas (en este caso también hay cierta analogía con los cerebros
parcialmente dañados).
La era moderna de las redes
neuronales se cree que comenzó en 1943 gracias a McCullough y Pitts, quienes describieron
el cálculo lógico de las redes neuronales y perfilaron el primer módulo formal
de una neurona elemental.
En la década de los cincuenta,
Minsky comienza a construir la primera neurocomputadora (basada en modelos de
redes neuronales que imitan al cerebro).
En 1962, Frank Rosenblatt
presenta los resultados de una máquina a la que denominó
"Perceptrón", la cual reproducía una estructura neuronal muy
simplificada, capaz de aprender a reconocer y clasificar determinadas figuras.
En la misma década, Minsky y
Pappert (autoridades de la IA clásica) publicaron un libro en el que se ponían
de manifiesto las limitaciones de los perceptrones de una capa. Esto hará que
se pierda interés en el campo de las redes neuronales hasta la década de los
80, en que el estudio de nuevas arquitecturas de redes y la mayor potencia de
los ordenadores permiten el diseño de redes muy eficientes en tareas en las que
otros procedimientos de tipo simbólico encuentran dificultades.
Así, en 1982 J. Hopfield describe
las "redes de Hopfield" en las que se utilizan funciones de energía
para entender las redes dinámicas. Cohen y Grossberg desarrollan en el 83 el
principio de la memoria direccional. En 1986 Rumulhart, Hunton y Williams redescubren
el algorismo de "back-propagation" (desarrollado en 1974 por Paul
Werbor) para el aprendizaje de redes neuronales. Por estas fechas, y gracias a
las nuevas tecnologías de fabricación de microchips, comienzan a construirse
redes neuronales implementadas en silicio (mucho más rápidas que las de
software).
Actualmente, el uso de redes
neuronales se ha extendido bastante en el mercado de software doméstico,
dejando de estar restringidas a los entornos de investigación y a las grandes
empresas. De esta forma, se pueden encontrar modelos de redes neuronales en
programas de reconocimiento de voz, en juegos de ordenador, programas de
contabilidad, tutores, y muchos otros.
Las características de las redes
neuronales hacen que sus posibles aplicaciones sean muy amplias.
Algunas de las aplicaciones más
destacadas son:
- · Reconocimiento de patrones de clasificación:
- · Reconocimiento de voz, de caracteres manuscritos,...
- · Análisis y reconocimiento de imágenes, formas,...
- · Diagnóstico clínico.
Análisis de series temporales y
predicción:
- · Modelos meteorológicos.
- · Predicción del comportamiento.
- · Predicción de series temporales.
Robótica
Se ven así las amplias posibilidades que
permite esta tecnología, ya al alcance de cualquier programador.
Fuentes relacionadas:
No hay comentarios:
Publicar un comentario