Neural Network (NN)

Una red neuronal (NN) es un modelo computacional fundamental para la Inteligencia Artificial (AI), diseñado para reconocer patrones, interpretar datos sensoriales y agrupar información. Inspiradas en la estructura biológica del cerebro humano, estas redes constan de nodos interconectados, o «neuronas», organizados en capas. Mientras que un cerebro biológico utiliza señales químicas para comunicarse a través de las sinapsis, una red neuronal digital utiliza operaciones matemáticas para transmitir información. Estos sistemas son la tecnología fundamental en la que se basa el aprendizaje automático (ML) moderno, ya que permiten a los ordenadores resolver problemas complejos, como reconocer rostros, traducir idiomas y conducir vehículos autónomos, sin necesidad de programar explícitamente cada regla específica.

Redes neuronales frente a aprendizaje profundo#

Aunque estos términos suelen utilizarse indistintamente, es importante distinguir entre una red neuronal básica y el aprendizaje profundo (DL). La diferencia principal reside en la profundidad y la complejidad. Una red neuronal estándar o «superficial» puede tener solo una o dos capas ocultas entre la entrada y la salida. En cambio, el aprendizaje profundo utiliza redes neuronales «profundas» con decenas o incluso cientos de capas. Esta profundidad permite que la extracción de características se realice automáticamente, lo que permite al modelo comprender patrones jerárquicos: los bordes simples se convierten en formas y las formas, en objetos reconocibles. Para profundizar en los aspectos técnicos, MIT News explica el aprendizaje profundo y su evolución a partir de las redes básicas.

Cómo aprenden las redes neuronales#

El proceso de «aprendizaje» de una red neuronal consiste en ajustar los parámetros internos para minimizar los errores. Los datos entran a través de una capa de entrada, pasan por una o más capas ocultas donde se realizan los cálculos y salen por una capa de salida en forma de predicción.

• Pesos y sesgos: Cada conexión entre neuronas tiene un «peso» que determina la intensidad de la señal. Durante el entrenamiento, la red ajusta estos pesos en función de los datos de entrenamiento.
• Funciones de activación: Para decidir si una neurona debe «dispararse» o activarse, la red utiliza una función de activación, como ReLU o Sigmoid. Esto introduce no linealidad, lo que permite a la red aprender límites complejos.
• Retropropagación: Cuando la red realiza una predicción, compara el resultado con la respuesta correcta real. Si hay un error, un algoritmo denominado retropropagación envía una señal hacia atrás a través de la red para ajustar los pesos con precisión y mejorar la exactitud con el tiempo.
• Optimización: Los algoritmos, como el descenso de gradiente estocástico (SGD), ayudan a encontrar el conjunto óptimo de pesos para minimizar la función de pérdida. Puedes obtener más información sobre los algoritmos de optimización en AWS.

Aplicaciones en el mundo real#

Las redes neuronales son los motores de muchas de las tecnologías que definen la era moderna.

1. Visión por computador: En el campo de la Visión por computador (CV), se utilizan redes especializadas denominadas redes neuronales convolucionales (CNN) para analizar datos visuales. Los modelos avanzados, como Ultralytics YOLO26, utilizan arquitecturas de redes neuronales profundas para la detección de objetos en tiempo real. Estos sistemas son fundamentales para la IA en la agricultura, donde supervisan el estado de los cultivos, y para los sistemas de seguridad, donde detectan anomalías.

2. Procesamiento del lenguaje natural: Para las tareas relacionadas con el texto, arquitecturas como las redes neuronales recurrentes (RNN) y los Transformers han revolucionado la forma en que las máquinas comprenden el lenguaje humano. Estas redes impulsan las herramientas de traducción automática y los asistentes virtuales. Puedes observar el impacto de estas tecnologías en la IA en la atención sanitaria, donde ayudan a transcribir notas médicas y analizar historiales de pacientes.

3. Análisis predictivo: Las empresas utilizan redes neuronales para analizar series temporales con el fin de prever los precios de las acciones o las necesidades de inventario. IBM ofrece una excelente introducción a las redes neuronales en el análisis empresarial.

Implementación práctica#

Las bibliotecas de software modernas facilitan la implementación de redes neuronales sin necesidad de escribir las operaciones matemáticas desde cero. Herramientas como la Ultralytics Platform permiten a los usuarios entrenar fácilmente estas redes con conjuntos de datos personalizados. El siguiente código de Python muestra cómo cargar una red neuronal preentrenada —en concreto, el modelo YOLO26 de última generación— y ejecutar inferencias sobre una imagen utilizando el paquete ultralytics.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Desafíos y aspectos que debes tener en cuenta#

Aunque son potentes, las redes neuronales plantean desafíos específicos. Normalmente requieren grandes cantidades de datos etiquetados para el aprendizaje supervisado. Sin una diversidad de datos suficiente, una red es propensa al sobreajuste, por el que memoriza los ejemplos de entrenamiento en lugar de aprender a generalizar. Además, las redes neuronales profundas suelen denominarse «cajas negras» porque puede resultar difícil interpretar exactamente cómo han llegado a una decisión concreta, lo que ha impulsado la investigación sobre la IA explicable (XAI). Organizaciones como la Asociación de Estándares IEEE trabajan activamente en estándares para garantizar que estas potentes redes se utilicen de forma ética y segura.