Red neuronal
Modelo matemático formado por capas de unidades sencillas conectadas entre sí, inspirado de forma muy libre en el cerebro, que aprende ajustando la fuerza de sus conexiones.
Explicado fácil
Una red neuronal recibe números a la entrada (los píxeles de una foto, por ejemplo), los hace pasar por varias capas de “neuronas” y devuelve un resultado (por ejemplo, “esto es un perro con un 94 % de probabilidad”). Cada conexión entre neuronas tiene un número, llamado peso, que indica cuánta importancia se da a esa señal.
Una analogía
Es como una mesa de mezclas de música con miles de potenciómetros. Entrenar la red es ir moviendo todos los potenciómetros poco a poco hasta que el sonido final es el que quieres.
Un ejemplo
Una red que reconoce dígitos escritos a mano recibe una imagen de 28×28 píxeles, procesa esas 784 cifras en varias capas y devuelve diez probabilidades, una para cada número del 0 al 9.
Cómo funciona (nivel técnico)
Cada neurona calcula una suma ponderada de sus entradas, le suma un sesgo (bias) y aplica una función de activación no lineal (ReLU, GELU…). Sin esa no linealidad, apilar capas equivaldría a una sola operación lineal. Los pesos se aprenden minimizando una función de pérdida con retropropagación y descenso del gradiente. Hay arquitecturas distintas según el problema: convolucionales para imágenes, recurrentes para secuencias y transformers para casi todo lo demás.
Errores comunes
- Tomarse la metáfora del cerebro al pie de la letra. Una neurona artificial es muchísimo más simple que una biológica.
- Pensar que es posible “leer” lo que ha aprendido mirando los pesos. Interpretarlos es un problema de investigación abierto.