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