¿Qué es una red neuronal?
En una computadora típica, hecha de acuerdo con lo que se llama arquitectura von Neumann, Memory Banks vive en un módulo aislado. Solo hay un procesador, que procesa las instrucciones y la memoria reescribe uno por uno, utilizando una arquitectura en serie. Un enfoque diferente para la informática es la red neuronal. En una red neuronal, compuesta por miles o incluso millones de "neuronas" individuales o "nodos", todo el procesamiento es altamente paralelo y distribuido. Los "recuerdos" se almacenan dentro de las complejas interconexiones y ponderaciones entre nodos.
La red neuronal es el tipo de arquitectura informática utilizada por los cerebros de los animales en la naturaleza. Esto no es necesariamente porque la red neuronal es un modo de procesamiento inherentemente superior que la computación en serie, sino porque un cerebro que usa la computación en serie sería mucho más difícil de evolucionar de forma incremental. Las redes neuronales también tienden a lidiar con "datos ruidosos" mejor que las computadoras en serie.
En una red neuronal de avance, una "capa de entrada" FILLED con nodos especializados toma información, luego envía una señal a una segunda capa basada en la información que recibió del exterior. Esta información suele ser una señal binaria "sí o no". A veces, para pasar de un "no" a un "sí", el nodo tiene que experimentar una cierta cantidad umbral de emoción o estimulación.
Los datos se mueven de la capa de entrada a las capas secundarias y terciarias, y así sucesivamente, hasta que alcanza una "capa de salida" final que muestra resultados en una pantalla para que los programadores analicen. La retina humana trabaja basada en redes neuronales. Los nodos de primer nivel detectan características geométricas simples en el campo visual, como colores, líneas y bordes. Los nodos secundarios comienzan a abstraer características más sofisticadas, como movimiento, textura y profundidad. La "salida" final es lo que nuestra conciencia registra cuando miramos el campo visual. La entrada inicial es solo una disposición complejade fotones que significarían poco sin el hardware neurológico para darle sentido en términos de cualidades significativas, como la idea de un objeto duradero.
En las redes neuronales de retroceso, las salidas de capas anteriores pueden volver a esas capas para restringir más señales. La mayoría de nuestros sentidos funcionan de esta manera. Los datos iniciales pueden provocar una "suposición educada" en el resultado final, seguido de mirar los datos futuros en el contexto de esa suposición educada. En las ilusiones ópticas, nuestros sentidos hacen conjeturas educadas que resultan estar equivocadas.
En lugar de programar redes neuronales algorítmicamente, los programadores deben configurar una red neuronal con entrenamiento o ajuste delicado de neuronas individuales. Por ejemplo, la capacitación de una red neuronal para reconocer caras requeriría muchas carreras de capacitación en las que se mostraron diferentes objetos "faciales" y "no abiertos" a la red, acompañados de comentarios positivos o negativos para convencer a la red neuronal para mejorar las habilidades de reconocimiento.