Perceptrones y redes neuronales: Principios básicos de la visión artificial

En las últimas décadas, las neural networks se han convertido en los cimientos de muchas innovaciones clave en inteligencia artificial (IA). Las redes neuronales son modelos computacionales que intentan imitar las complejas funciones del cerebro humano. Ayudan a las máquinas a aprender de los data y a reconocer patrones para tomar decisiones informadas. Al hacerlo, permiten subcampos de la IA como la computer vision y el deep learning en sectores como el healthcare, las finance y los self-driving cars.

Comprender cómo funciona una red neuronal te puede dar una mejor idea de la "black box" que es la IA, ayudando a desmitificar cómo se integra la tecnología punta en nuestras daily lives. En este artículo, exploraremos qué son las redes neuronales, cómo funcionan y cómo han evolucionado con los años. También echaremos un vistazo al papel que desempeñan en las computer vision applications. ¡Empecemos!

¿Qué es un perceptrón en IA?#

Antes de hablar en detalle sobre las redes neuronales, echemos un vistazo a los perceptrones. Son el tipo más básico de red neuronal y constituyen la base para construir models más complejos.

Un perceptrón es un algoritmo de machine learning lineal utilizado para el supervised learning (aprendizaje a partir de labeled training data). También se le conoce como red neuronal de una sola capa y normalmente se utiliza para tareas de clasificación binaria que diferencian entre dos clases de datos. Si intentas visualizar un perceptrón, puedes pensar en él como una sola neurona artificial.

Fig 1. Un perceptrón es una sola neurona artificial.

Entender cómo funciona un perceptrón#

Un perceptrón puede aceptar varias entradas, combinarlas con pesos, decidir a qué categoría pertenecen y actuar como un tomador de decisiones simple. Consta de cuatro parameters principales: valores de entrada (también llamados nodos), weights and biases, suma neta y una función de activación.

Así es como funciona:

• Entradas y pesos: Digamos que tienes varios fragmentos de información (entradas) y cada uno tiene un peso que muestra lo importante que es. Además de esto, el bias ayuda a que el perceptrón sea más flexible a la hora de tomar decisiones.
• Cálculo de la suma ponderada: El perceptrón multiplica cada entrada por su peso y, a continuación, suma todo, incluido el sesgo, para obtener una suma ponderada.
• Toma de decisiones: Después, el perceptrón utiliza una función de activación para determinar la salida final. Toma la suma ponderada y decide si el perceptrón debe activarse o no. En el caso más sencillo, la función de activación es una función escalón que da una salida de uno si la suma ponderada está por encima de un determinado umbral, y cero si no lo está. Por tanto, la entrada ponderada se convierte en una decisión de sí o no.
• Aprendizaje y mejora: Si el perceptrón comete un error, ajusta los pesos para intentar mejorar la próxima vez. Este proceso helps the model learn de sus errores.

Fig 2. Una visión general de un perceptrón. fuente: indiantechwarrior.com

El papel de los perceptrones en la visión artificial#

Los perceptrones desempeñan un papel importante para ayudarnos a comprender los basics of computer vision. Son la base de las advanced neural networks. A diferencia de los perceptrones, las redes neuronales no se limitan a una sola capa. Están formadas por múltiples capas de perceptrones interconectados, lo que les permite aprender patrones no lineales complejos. Las redes neuronales pueden gestionar tareas más avanzadas y producir resultados tanto binarios como continuos. Por ejemplo, las redes neuronales se pueden utilizar para advanced computer vision tasks como la instance segmentation y la pose estimation.

La evolución de la tecnología de visión artificial a partir de las redes neuronales#

La historia de las redes neuronales se remonta a varias décadas atrás y está llena de investigaciones y descubrimientos interesantes. Echemos un vistazo más de cerca a algunos de estos acontecimientos clave.

Aquí tienes un rápido vistazo a los primeros hitos:

• Años 40: Warren McCulloch y Walter Pitts desarrollaron un circuito sencillo para imitar cómo funciona el cerebro.
• 1958: Rosenblatt introdujo el perceptrón.
• Años 70: Paul Werbos ideó el concepto de retropropagación (un método de entrenamiento que ayuda a una red neuronal a aprender minimizando la diferencia entre las salidas previstas y las reales). La Backpropagation hizo posible train redes neuronales multicapa y allanó el camino para el deep learning.
• Años 80: Investigadores como Geoffrey Hinton y Yann LeCun estudiaron el conexionismo, que trata sobre cómo las redes de unidades interconectadas pueden formar procesos cognitivos. Su trabajo sentó las bases de las redes neuronales modernas.
• Años 90: Jürgen Schmidhuber y Sepp Hochreiter propusieron la red de memoria a corto y largo plazo (LSTM), que se ha vuelto esencial para tareas que implican predicción de secuencias.

Fig 3. La evolución de las redes neuronales.

Al entrar en el siglo XXI, la investigación sobre redes neuronales despegó, lo que condujo a avances aún mayores. En la década de 2000, el trabajo de Hinton sobre las máquinas de Boltzmann restringidas -un tipo de red neuronal que encuentra patrones en los datos- desempeñó un papel clave en el avance del deep learning. Facilitó el entrenamiento de redes profundas, ayudando a superar los retos de los modelos complejos y haciendo que el deep learning fuera más práctico y eficaz.

Luego, en la década de 2010, la investigación se aceleró rápidamente debido al auge del big data y la parallel computing. Un hito destacado durante este tiempo fue la victoria de AlexNet en la competición ImageNet (2012). AlexNet, una profunda convolutional neural network, supuso un gran avance porque demostró el gran poder que podía tener el deep learning para computer vision tasks, como accurately recognizing images. Ayudó a impulsar el rápido crecimiento de la IA en el reconocimiento visual.

Hoy en día, las redes neuronales están evolucionando con nuevas innovaciones como los transformers, que son fantásticos para comprender secuencias, y las redes neuronales de grafos, que funcionan bien con relaciones complejas en los datos. Técnicas como el transfer learning —utilizar un modelo entrenado en una tarea para otra— y el supervised learning autoforzado, donde los modelos aprenden without needing labeled data, también están ampliando lo que las redes neuronales pueden hacer.

Entender las redes neuronales: los fundamentos#

Ahora que hemos cubierto lo básico, vamos a entender qué es exactamente una red neuronal. Las redes neuronales son un tipo de modelo de machine learning que utiliza nodos o neuronas interconectadas en una estructura en capas que se asemeja a un cerebro humano. Estos nodos o neuronas procesan y aprenden de los datos, lo que les permite realizar tareas como el pattern recognition. Además, las redes neuronales son adaptativas, por lo que pueden aprender de sus errores y mejorar con el tiempo. Esto les da la capacidad de abordar problemas complejos, como el facial recognition, con mayor precisión.

Fig 4. Una red neuronal.

Las redes neuronales están formadas por múltiples procesadores que funcionan en paralelo, organizados en capas. Consisten en una capa de entrada, una capa de salida y varias capas ocultas en medio. La capa de entrada recibe datos sin procesar, de forma similar a como nuestros optic nervios captan la información visual.

A continuación, cada capa pasa su salida a la siguiente, en lugar de trabajar directamente con la entrada original, de manera muy parecida a como las neuronas del cerebro envían señales de una a otra. La capa final produce la salida de la red. Mediante este proceso, una red neuronal artificial (ANN) puede aprender a realizar computer vision tasks como la classification de imágenes.

Una aplicación industrial de las redes neuronales en la visión artificial#

Tras haber comprendido qué son las redes neuronales y cómo funcionan, echemos un vistazo a una aplicación que demuestra el potencial de las redes neuronales en la visión artificial.

Inspección de líneas eléctricas en el sector energético#

Las redes neuronales constituyen la base de modelos de computer vision como Ultralytics YOLO11 y se pueden utilizar para inspeccionar visualmente power lines mediante drones. La utilities industry se enfrenta a desafíos logísticos a la hora de inspeccionar y mantener sus extensas redes de líneas eléctricas. Estas líneas suelen extenderse a través de todo tipo de lugares, desde ajetreadas urban areas hasta rugged landscapes remotos. Tradicionalmente, estas inspecciones las realizaba un equipo en tierra. Aunque eficaces, estos métodos manuales son costosos, lentos y pueden exponer a los workers a riesgos environmental y eléctricos. Las investigaciones muestran que el trabajo en líneas de servicios públicos se encuentra entre los diez empleos más peligrosos de América, con una annual fatality rate de 30 a 50 trabajadores por cada 100 000.

Sin embargo, la drone inspection technology puede hacer que las aerial inspections sean una opción más práctica y rentable. La tecnología punta permite a los drones volar mayores distancias sin necesidad de cambiar la batería con frecuencia durante las inspecciones. Muchos drones vienen ahora integrados con IA, cuentan con funciones automatizadas de evasión de obstáculos y mejores capacidades de detección de fallos. Estas características les permiten inspeccionar zonas concurridas con muchas líneas eléctricas y capture high-quality images desde mayores distancias. Muchos países están adoptando el uso de drones y computer vision para tareas de inspección de líneas eléctricas. Por ejemplo, en Estonia, el 100 % de todas las inspecciones de líneas eléctricas se realizan con este tipo de drones.

Fig 5. Un técnico utilizando drones y herramientas de IA para inspeccionar líneas eléctricas (imagen de la izquierda) y el dron que está manejando (imagen de la derecha) (suasnews).

Conclusiones clave#

Las redes neuronales han recorrido un largo camino desde la investigación hasta las aplicaciones y se han convertido en una parte importante de los avances tecnológicos modernos. Permiten a las máquinas aprender, reconocer patrones y tomar decisiones informadas utilizando lo que han aprendido. Desde la sanidad y las finanzas hasta los vehículos autónomos y la fabricación, estas redes impulsan la innovación y transforman las industrias. A medida que seguimos explorando y perfeccionando los modelos de redes neuronales, su potencial para redefinir aún más aspectos de nuestra vida cotidiana y nuestras operaciones empresariales se vuelve cada vez más claro.

Para explorar más, visita nuestro repositorio de GitHub y participa con nuestra comunidad. Explora aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones. 🚀