Las redes neuronales: qué son y por qué están volviendo

Últimanente, las redes neuronales están volviendo a la actualidad por los logros que están consiguiendo. Por ejemplo, Google ha logrado derrotar a su propio reCAPTCHA con redes neuronales, en Stanford han conseguido generar pies de fotos automáticamente… Metas bastante impresionantes y que cada vez se acercan más a esa idea original de reproducir el funcionamiento del cerebro humano en un ordenador.

Ahora bien, ¿en qué consisten estos modelos? ¿Cómo puede imitar un ordenador el proceso de aprendizaje y acabar desarrollando una «cosa» que funciona?

¿Cómo funciona una red neuronal?

A pesar de su nombre, las redes neuronales no tienen un concepto demasiado complicado detrás de ellas. El nombre, como pueden imaginar, viene de la idea de imitar el funcionamiento de las redes neuronales de los organismos vivos: un conjunto de neuronas conectadas entre sí y que trabajan en conjunto, sin que haya una tarea concreta para cada una. Con la experiencia, las neuronas van creando y reforzando ciertas conexiones para «aprender» algo que se queda fijo en el tejido.

Ahora bien, por bonito que suene esto, el enfoque biológico no ha sido especialmente útil: las redes neuronales han ido moviéndose para tener un foco en matemáticas y estadística. Se basan en una idea sencilla: dados unos parámetros hay una forma de combinarlos para predecir un cierto resultado. Por ejemplo, sabiendo los píxeles de una imagen habrá una forma de saber qué número hay escrito, o conociendo la carga de servidores de un Centro de Procesamiento de Datos (CPD), su temperatura y demás existirá una manera de saber cuánto van a consumir, como hacía Google. El problema, claro está, es que no sabemos cómo combinarlos.

Las redes neuronales permiten buscar la combinación de parámetros que mejor se ajusta a un determinado problema.

Las redes neuronales son un modelo para encontrar esa combinación de parámetros y aplicarla al mismo tiempo. En el lenguaje propio, encontrar la combinación que mejor se ajusta es «entrenar» la red neuronal. Una red ya entrenada se puede usar luego para hacer predicciones o clasificaciones, es decir, para «aplicar» la combinación.

¿Una nueva época dorada para redes neuronales?

RedNeuronal

Las redes neuronales no son una idea nueva. Datan de los años 40 y 50, cuando se empezaron a publicar los primeros conceptos. Sin embargo, nunca tuvieron un gran éxito, más que nada porque se necesita una cantidad importante de recursos de un ordenador para entrenar y ejecutar una red neuronal con buenos resultados.

En los últimos años se han conseguido grandes avances gracias a la mejora de los ordenadores y al uso de GPUs para este tipo de computaciones. Hace poco os hablábamos en Xataka de los pies de foto generados por ordenador gracias a una red neuronal de convolución (para el reconocimiento de imagen) junto con una red neuronal recurrente para formar las frases. Los investigadores de Stanford usaron tarjetas GPU para poder entrenar y ejecutar este tipo de redes neuronales en un tiempo razonable.

Reconocimiento de números, de voz, de objetos en imágenes… las redes neuronales están empezando a resolver problemas que se le escapaban a los ordenadores.

Algo parecido montó Google con Street View: una red neuronal convolucional que lograba una precisión del 96% a la hora de reconocer números de calle en las imágenes que toman sus coches. Los de Mountain View están bastante enamorados de las redes neuronales, de hecho: también las usaron para mejorar el reconocimiento de voz de Android o para ahorrar electricidad en sus centros de datos.

Las redes neuronales parece que incluso podrían acabar dominando uno de los juegos que se les resiste a los ordenadores: el juego de Go. En la Universidad de Edimburgo, unos investigadores han logrado usar redes convolucionales para detectar patrones en los tableros y tratar de sacar el mejor movimiento con una efectividad considerable: 90% de juegos ganados contra GNU Go y 10% contra Fuego, dos de los programas que mejor juegan a Go. Aunque pueda parecer poco, hay que tener en cuenta que ambos exploran un buen número de movimientos posibles para ver cuál da más ventaja. La red neuronal sólo mira al estado actual del tablero y emite un veredicto en muchísimo menos tiempo.

Por supuesto, estas redes tampoco son la panacea. A modo de curiosidad, unos investigadores usaron una red neuronal para generar imágenes que engañaban a otra red neuronal diseñada para reconocer objetos. Así, lo que a nosotros nos parece una imagen aleatoria, para la red neuronal es un bikini o un armadillo. Es parte del problema del sobreajuste: redes que se comportan muy bien para los datos de ejemplo o parecidos, pero que con datos muy distintos dan resultados absurdos.

Sea como sea, es un campo muy interesante y que promete bastantes avances a corto plazo sobre todo en reconocimiento de imagen y de sonido. Estaremos atentos para ver qué sorpresas nos deparan.

www.Maestro21.org

Fuente: xataka.com

El uso del ratón y el cursor cambian la forma en la que aprendemos

Un estudio, llevado a cabo por investigadores de las universidades de Pekín (China) y Northwestern (Chicago, EE UU), ha demostrado que apuntar en la pantalla del ordenador con el cursor y hacer clic cambia la forma en la que el cerebro generaliza los movimientos.

El trabajo, publicado en la revista Current Biology, señala que las personas que usan ordenadores hacen alrededor de 7.400 clics con el ratón a la semana.

«El problema es que los ordenadores tienen pantallas con diferentes tamaños y los ratones poseen distintos rendimientos. Nuestro cerebro quiere conocer esto rápidamente para no tener que volver a aprender todos los movimientos posibles cuando cambiemos de equipo. Si aprendemos a generalizar, con solo mover el ratón una vez ya estaremos calibrados”, dice Konrad Kording, uno de los autores, investigador del Instituto de Rehabilitación de la Universidad Northwestern.

De hecho, uno de los experimentos realizados reveló que los trabajadores chinos acostumbrados a usar el ordenador eran capaces de hacer generalizaciones más amplias en el aprendizaje de movimientos que otro grupo con edades y educación similares, pero que nunca había utilizado ordenadores.

En la prueba, tanto los trabajadores que habían usado ordenadores como los no usuarios aprendieron a mover el cursor mientras su mano estaba oculta a la vista, pero los experimentados generalizaron más rápidamente lo que habían aprendido sobre el movimiento del cursor en una y en varias direcciones.

Para llegar al fondo, los investigadores estudiaron a otro grupo de diez personas no familiarizadas con los ordenadores, tanto antes como después de pasar dos semanas manejando juegos de ordenador que requerían un uso intensivo del ratón durante dos horas cada día.

Esas dos semanas fueron suficientes para equiparar los patrones de generalización de los individuos sin experiencia informática con los de los usuarios regulares de ordenador.

Los resultados de este trabajo “muestran que el uso del ordenador no solo cambia nuestro estilo de vida, sino que también afecta a la representación neural de nuestros movimientos”, señalan los investigadores.

Según los autores, esta nueva comprensión del aprendizaje de los movimientos podría tener aplicaciones en el ámbito de la rehabilitación.

«Nuestros datos revelaron que la generalización tiene que aprenderse, no se produce de forma automática», dice Kunlin Wei de la Universidad de Pekín, autor principal del estudio.

A partir de ahora, la cuestión será como aplicar la generalización del trabajo de rehabilitación en clínica a la que se pueda llevar a cabo en los hogares, subraya. (Fuente: SINC)

Fuente.- http://noticiasdelaciencia.com/not/9098/el_uso_del_raton_y_el_cursor_cambian_la_forma_en_la_que_aprendemos

Maestro21.org