Hacia las biocomputadoras (2/2)

Artículo publicado en el Liberal del Sur el domingo 19 de febrero de 2012.

[Ver el primer artículo]

Después del artículo sobre las computadoras cuánticas, decidimos presentarles otra posible alternativa a las computadoras clásicas que podría formar parte de nuestras vidas cotidianas en un futuro no tan lejano. La semana pasada, hablamos del tema muy interesante de las computadoras inteligentes o bio-computadoras, basadas en un principio de aprendizaje que matemáticos han llamado redes neuronales artificiales.  Hoy les damos una visión un poco más detallada de lo que son esas redes artificiales, capaces de aprender casi solas.

Presentación de las redes neuronales artificiales

Para empezar a hablar de las redes neuronales artificiales (o ANN por sus siglas en inglés “Artificial Neural Network”) podemos basarnos en una tabla que da Prof. Leslie Smith del Centro para la Neurociencia Cognitiva y Computacional del Departamento de Matemática de la Universidad de Stirling (Reino Unido). Smith nos dice que las computadoras actuales son excelentes para realizar cálculos matemáticos rápidos y para cumplir con lo que un programador humano le pide con un programa específico. Sin embargo, no saben interactuar bien con la información ruidosa, como un error en la transmisión de datos por ejemplo, y no pueden adaptarse a un cambio de condiciones iníciales o de circunstancias. Básicamente, las ANN son un nuevo paradigma en el mundo de las computadoras porque, con ellas, los matemáticos aspiran a un procesamiento más simple pero a un grado más alto de interconexión, capaz de aprender y entonces adaptarse.

Tomamos un ejemplo: el reconocimiento de contenido de imágenes. Un ser humano ha aprendido desde su infancia a reconocer todos los elementos del mundo que lo rodea. Cuando alguien toma una fotografía de un paisaje, sabemos inmediatamente reconocer el árbol, el río, las montañas, etc., aunque la foto sea de México, Francia, China o cualquier otro lugar. Una computadora es incapaz de realizar esa operación tan sencilla para nosotros. No puede discriminar entre los elementos de una imagen, y es difícil enseñarle a reconocer los contornos de los objetos para empezar. Una computadora ve una imagen como una lista de números, ¿cómo saber dónde está el límite entre el árbol y el fondo por ejemplo? Quizás han visto que algunas cámaras de fotografía saben reconocer los rostros y las sonrisas de la gente: pues un ser humano tuvo que escribir un programa en el procesador de esas cámaras para que sea capaz de esto. Pero reconocer otros contornos requeriría de otros programas y de otros métodos de detección, lo que haría el procesamiento un poco más lento.

Entrenar y enseñar

En el caso del reconocimiento de patrones específicos es una tarea complicada para una computadora clásica; y es uno de los numerosos terrenos de aplicación de las varias familias de ANN que existen hoy. Los algoritmos matemáticos que se desarrollan desde hace muchos años son principios de cálculo más o menos sencillos; apenas unas ecuaciones que se pueden encontrar en la literatura. Esos algoritmos son una especia de “prueba y error” para una tarea muy bien determinada al principio, y con un entrenador que dice a la máquina si se equivoca o no en su tarea. El poder de las ANN es que es sus ecuaciones, en su programa, tiene la capacidad de reprogramarse a sí mismas: si se dan cuenta, por el método de enseñanza, que se equivocan, cambian los coeficientes de las fórmulas para adaptarse y memorizar sus errores de alguna forma. En 1962, Rosenblatt, uno de los padres de las ANN, dijo que una de las familias de ANN llamada los Perceptrones era capaz de aprender cualquier cosa que se pueda representar, gracias a un procedimiento de ajustamiento de los parámetros de su función o ecuación. En el caso de las ANN, “representar” quiere decir simular con una función específica y “aprender” sería entonces modificar su propio programa de detección, memorizando sus errores para no volver a equivocarse.

El principio parece demasiado sencillo, pero funciona muy bien: aunque todos los arboles del mundo son únicos y diferentes, las ANN son capaces, como nosotros, de reconocer similitudes entre ellos y de ver la diferencia entre un árbol y una montaña en una foto. Se pueden entrenar a ver todo lo que uno les enseña a ver y cada vez se equivocan menos. Necesitan entonces una fase de funcionamiento supervisado en las cuales el entrenador les ayuda y cuando logran reconocer lo que se les enseñó con un bajo porcentaje de error, se pueden dejar trabajar solas. A veces se pueden volver a capacitar, como los seres humanos. Una gran ventaja de esa técnica es que también saben procesar información ruidosa (o borrosa en el caso de las fotografías), al contrario de las computadoras actuales y de sus programas. Una desventaja es que, al igual que el proceso de aprendizaje y de educación de un ser humano para poder realizar una tarea sin equivocarse, la red neuronal artificial entrenada tiene que haber visto una gran variedad de casos diferentes. A pesar de poder acelerar la capacitación con máquinas, la diversidad de modelos presentados en la fase de aprendizaje es crítica. Pero algún día, quién sabe si no tendremos máquinas capaces de hacer todo lo que les pedimos sin equivocarse. ¿Tu, que les pedirías?