Redes neuronales, cerebro y aprendizaje

La base biológica de la inteligencia está en el cerebro. Aunque vamos conociendo cada vez más sobre su fisiología y las diferentes vías anatómicas y funcionales que participan en el proceso de aprendizaje humano, aún existen muchas incógnitas que deben despejarse.

Para las máquinas existe una analogía similar a la estructura y el funcionamiento del cerebro, por lo que es relativamente sencillo establecer esta analogía fácilmente comprensible para los profesionales de la salud.

Las redes neuronales artificiales, en inglés Artificial Neural Networks (ANN) están compuestas por elementos que se comporten de forma similar a la neurona biológica en sus funciones más comunes y que se denominan «elemento procesador», en inglés Process Element (PE). Cada uno de los PE (neuronas) tienen unos elementos de entrada (dendritas) que recogen los impulsos de entrada que son integrados en el cuerpo del elemento procesador y generan una respuesta o salida. La salida del PE (axón) se puede conectar a las entradas de otras neuronas artificiales mediante conexiones con una eficacia similar a la sinapsis de las conexiones neuronales del cerebro. Los PE están organizados en una serie de niveles que se denominan capas. El conjunto de estas capas forman una ANN.

En las ANN existen 2 capas con conexiones con el exterior. Una capa de entrada o buffer de entrada, donde se presentan los datos a la red, y una capa de salida que devuelve al exterior la respuesta de la red a una entrada concreta. Existen, además, una serie de capas intermedias que se denominan capas ocultas. 

Al igual que en los seres humanos, el aprendizaje que se produce en las máquinas, es una función que tiene una base estructural en este tejido nervioso artificial conformado por las ANN.

Existen 2 tipos de métodos que permiten el aprendizaje de una máquina: 

El primero de ellos se llama «aprendizaje con datos supervisados» y requiere la participación de un humano que determina las relaciones correctas e incorrectas que adquiere la máquina. La función del humano es etiquetar y categorizar los datos de entrada y establecer un algoritmo de toma de decisiones para generar las diferentes salidas. Con el suficiente entrenamiento, la máquina será capaz de determinar la categoría de salida de un nuevo dato de entrada. 

El segundo método es el «aprendizaje automático o machine learning». Consiste en dotar de experiencia a la máquina y que sea ella misma, mediante una serie de normas lógicas iniciales, la que sea capaz de ir aprendiendo de manera independiente a partir de la experiencia que le proporcionan los datos y sin el concurso continuado de un humano. Para ello son necesarios algoritmos iniciales y un pequeño entrenamiento supervisado. Mientras que, en el aprendizaje supervisado, el conocimiento se hace explícito en forma de reglas, en la computación neuronal las ANN generan sus propias reglas aprendiendo de los ejemplos que se les muestran en la fase de entrenamiento. Una vez que las decisiones correctas alcanzan un número válido dentro del total de decisiones tomadas, conectamos este sistema inteligente a un sistema de big data para que esas experiencias afiancen los sistemas de toma de decisiones.