Algoritmo de redes neuronales en inteligencia artificial

Las redes neuronales son algoritmos que implementan un proceso cognitivo natural, no un humano, sino un animal. No es demasiado complejo, a menos seas una ameba, te debería parecer bastante lógico.

Existen múltiples modelos de Redes Neuronales, que luego explicaré. Ahora nos concentraremos en el funcionamiento básico. Las redes neuronales están inspiradas en el sistema nervioso animal.

Composición de una red neuronal

En las redes tendremos dos componentes base:

• Neuronas
  
• Interconexiones

Y las definiremos en 3 aspectos básicos:

• Entrada
  
• Capa Oculta (Yo le digo de procesamiento)
  
• Salida

El primer aspecto, la entrada, es nuestro punto de partida inicial. La información que debemos analizar para luego procesar. Ejemplo: Este tip, ¿Que otros tips tendrán info similar para recomendar?. Ergo, tenemos la diferente info de entrada que podemos generar a raíz de este tip.

Las capas ocultas son los cálculos que usaremos para la estimación de la valoración de una entrada(s). Se les dice ocultas porque no las ve el usuario o persona que opera.

La salida es el procesamiento final, la respuesta a nuestra pregunta. En estos modelos, SIEMPRE es una.

Cómo usar una red neuronal

Se debe definir que factores serán los intervinientes en el "aprendizaje" del sistema y como queremos que sean procesados. Un ejemplo claro puede ser el uso de índices. Si este tip está tagueado como Inteligencia Artificial (lo está), entonces intervendrá como parte del proceso de análisis en las capas ocultas. Pero también el título es importante, por lo cual la segunda entrada participará en el mismo nivel de procesamiento.

Podríamos armar cuantas lógicas queramos, lo importante es entender si necesitamos "ir para adelante" o "para atrás" en algún punto del aprendizaje. Esto es dado que existen redes que van hacia atrás en algunas ocasiones llamadas "retropropagación".

Aprendizaje y entrenamiento de una red neuronal

El sistema de una red neuronal tiene un criterio de aprendizaje un tanto acotado ya que solo puede determinar valores objetivos y directos a nuestros valores de entrada.

Por ello podemos emplear los siguientes criterios para su aprendizaje:

• Supervisado: Un humano le indica si el aprendizaje es correcto (Usarlo) o incorrecto (No volver a usarlo).
  
• No Supervisado: El sistema es capaz de auditar sus propias conclusiones (Esquema de comprobación).
  
• Híbridas: Una mezcla entre supervisados y no supervisados.

El criterio que usaremos para el aprendizaje es ligado directamente a la salida. Mejor hemos determinado el aprendizaje, mejor será el resultado resuelto. Más complejo sea el esquema de aprendizaje, mejor será auto-sustentado en el futuro.

Donde y cuando usar una red neuronal

Estos sistemas son adecuados para la implementación de esquemas de aprendizaje simples empleando criterios objetivos.

Una aplicación muy usual es un sistema de búsqueda, dónde podemos no solo asumir que información quiere a una búsqueda, sino que medir el interés para ajustar los criterios de selección (Aprendizaje No Supervisado).

Otro criterio son patrones de "Gusta/No", dónde los usuarios van calificando el contenido el cual da un valor dentro de la red, y luego aplicando el criterio de búsqueda ajustamos (Aprendizaje Híbrido).

El criterio final es un criterio supervisado, en un esquema de recomendación simple, como el que tienen los tips de Cristalab. Ante un patrón de búsqueda dado (Tags, Títulos), encontramos elementos relacionados según un algoritmo definido y lo evaluamos manualmente (Aprendizaje Supervisado).

Abajo de estas palabras verás el subtitulo "También te interesa". Los 3 enlaces que Cristalab te recomienda los elige el propio sistema, de toda la base de datos de Clab, usando una red neuronal.

 

Tweet