Los sistemas de Inteligencia Artificial (IA) utilizan algoritmos y modelos para analizar, organizar, procesar y convertir datos, en tanto las redes neuronales se diferencian de otros modelos de la IA en poseer la capacidad de aprender en forma automática. Este proceso se le conoce como machine learning o aprendizaje de máquina.
Una red neuronal artificial tradicional (RNA) está formada por capas de nodos computacionales (elementos de proceso) y conexiones (enlaces) que trabajan juntos para encontrar patrones en los datos.
El modelo de capas ha funcionado muy bien en el campo de la IA; sin embargo, presenta inconvenientes cuando si lo que deseamos modelar se transforma continuamente con el tiempo, como lo es predecir la evolución de un paciente en un lapso determinado.
Lee la primera parte de este artículo aquí:
Predicción híbrida
En el artículo, Descubre la relación entre las redes neuronales artificiales, la inteligencia artificial y el eHealth, publicado en la plataforma Think Big, Carlos Rebato –quien laboró en el departamento de Global Digital Comms de Telefónica–, apunta que las RNA procesan entradas y generan salidas que ayudan a resolver problemas.
En finanzas, ejemplifica, investigadores de la Universidad de Stanford en Palo Alto, California, han aplicado para esta tarea sistemas híbridos de predicción. “Combinan redes neuronales artificiales y varias modalidades para mejorar la predicción del valor futuro de bonos y otros instrumentos de inversión.
“Las mejoras se reflejan en obtener predicciones con un margen de error de tan sólo 78 céntimos de euro –montos que se traducen en miles de millones de billetes cuando se toma en cuenta que es común que se sucedan una cantidad similar de transacciones por sesión–, con cálculos que apenas requieren segundos. Las predicciones sin uso de RNA a disposición de un agente de bolsa pueden llegar a tardar hasta 15 minutos luego de una transacción”, señala, lo que representa tanto como un siglo para la urgencia con que se debe ejecutar una operación financiera hoy día.
En este marco, ya no resulta sorprendente destacar su proverbial utilidad en la construcción de aplicaciones generales típicas, orientadas a crear sistemas inteligentes para la toma de decisiones en la gestión empresarial; ocuparlas en actividades de predicción; reconocer tendencias; identificar patrones y gestionar riesgos aplicados en la detección de fraudes.
Asimismo, se cuentan el desarrollo de artefactos inteligentes con capacidad de aprendizaje, como los homePods o los altavoces inteligentes; el establecimiento de hogares inteligentes (domótica); la creación de sistemas de visión computacional y detección; la fabricación de vehículos autónomos; así como idear herramientas para la explotación de las energías renovables, enumera Rebato.
Inteligencia bajo entrenamiento
Como algoritmos, las RNA pueden llegar a resolver problemas muy complejos de una forma muy atinada, pero no podemos desestimar que para ello necesitan un considerable esfuerzo computacional a la hora de entrenarlas. “El principal reto de las empresas a la hora de realizar estos algoritmos es disponer de la cantidad y calidad de datos para construir una red neuronal”, advierte Celsa Pardo Araujo Consultant Artificial Intelligence, de Enzyme Advising Group.
Si bien las aplicaciones de las redes neuronales parecen muy generosas, están sujetas a un entrenamiento intenso para que puedan arrojar los resultados deseados. “Dependiendo del tipo de aprendizaje, estos algoritmos se clasifican en tres grandes grupos: supervisado, no supervisado y reforzado”, explica la consultora.
En el primer caso, se “etiquetan” los datos de entrada para ayudar a los algoritmos a valorarlos correctamente y asignar un valor de salida. Es un método de aprendizaje muy empleado para clasificaciones y regresiones.
“El aprendizaje no supervisado se basa en dejar que el algoritmo encuentre variantes de patrones y correlaciones. Se utiliza para descubrir qué hay detrás de los datos para perfilado o `clustering´ de clientes –refiere. El aprendizaje reforzado, por su parte, se sustenta en la técnica de ensayo y error. Cuanto más compleja sea la red neuronal, mayor será la cantidad de datos de entrenamiento necesaria para entrenarla”, finaliza Celsa Pardo.
Tercera y última parte, pronto.
