Neurona v.1.0
Antes de adentrarnos en el mundo artificial, recordemos un poco a la vieja y querida neurona biológica y su funcionamiento.
Desempolvemos esos textos de neurología básica:
La neurona biológica tiene un cuerpo (o soma), del cual parten a modo de ramificaciones o coronas de espinas múltiples prolongaciones llamadas dendritas. Del cuerpo sale una prolongación llamada axón, que terminará contactando con otras neuronas a través de sus terminales axónicos.
Recordemos que las dendritas recibían información contactando con prolongaciones de otras neuronas (axones). Esa unión entre dendritas y axones son las famosas sinapsis (más específicamente una sinapsis axodendrítica). Siempre simplificando para mantener el foco, podíamos decir que hay dos tipos de sinapsis: inhibitorias y excitatorias.
A una dendrita podía llegarle un estímulo positivo (excitatorio) que tendería a despolarizar la neurona y transmitir ese impulso a través de su axón; o un estímulo negativo (inhibitorio) que tendería a hiperpolarizar la neurona haciendo que no se transmita ningún impulso a través de su axón.
Todas las dendritas de una neurona recibirán uno u otro tipo de estímulos, y «el promedio» de todos estos estímulos será el que determinará si la neurona termina hiperpolarizada o despolarizada propagando ese estímulo a través de su axón a las siguientes neuronas.
Y a esta altura se preguntarán qué tiene que ver con la neurona artificial… y me alegro que se lo pregunten!
Neuronas v2.0 – Las neuronas artificiales!
Cuando hablamos de neuronas artificiales no estamos hablando de microchips, ni de pequeños artefactos robóticos o electromecánicos, ni siquiera de algo físico… estamos hablando de una fórmula matemática!
Con ustedes la neurona artificial o «perceptrón«:
Permítanme profundizar en la analogía. Lo que se ve en amarillo en la imagen correspondería al cuerpo de la neurona. Allí es donde se van a realizar los cálculos matemáticos.
Ese «cuerpo» recibe información a través de sus entradas (o inputs, en azul en el gráfico), en lo que sería el perfecto equivalente de las dendritas.
Y luego de realizar los cálculos, el cuerpo emitirá (o no) una señal que será su salida (o output, en rojo en el gráfico) hacia otras neuronas. El equivalente del axón en la neurona biológica.
¿Ahora ven el parecido con la neurona biológica?
Así como la neurona biológica recibía sinapsis excitatorias o inhibitorias y de la suma de todas ellas iba a resultar si propagaba o no su estímulo; de igual manera en la neurona artificial el «soma» realiza un cálculo que no es más que la suma ponderada de todas sus entradas y dependiendo del valor que arroje dicho cálculo, propagará o no su estímulo hacia la siguiente neurona (dependiendo de una «función de activación» *más adelante lo explicaré… no sean ansiosos!🤭).
Suma ponderada??? WTF?!😳
No se preocupen que no hace falta que entiendan la matemática detrás de esto, pero es bien sencillo así que intentaré explicarlo.
La «suma ponderada» no es más que la suma de cada una de las entradas (las x del gráfico) multiplicada por su «peso» (las w del gráfico).
O sea: (x1*w1) + (x2*w2) + (x3*w3)…+(xn*wn)
Alguno de ustedes se preguntará… Y esos «pesos» de dónde salen?
Y ahí se pone interesante la cosa! Porque esos pesos son parte fundamental de cómo aprenden las redes neuronales… pero eso lo veremos en otra ocasión!
Para que lo vean en contexto, aquí tenemos una de esas neuronas, siendo parte de una red neuronal, tal como vimos en la edición pasada:
Y ese curioso que ustedes llevamos dentro, mirará esa imagen… y pensará:
«Mmm…🤔 hay entradas rojas… otras verdes… tendrá algo que ver con los estímulos inhibitorios o excitatorios??» **
**Estoy orgulloso de ustedes! sépanlo!
Conclusión
Sí, las neuronas de las redes neuronales artificiales son ni más ni menos que fórmulas matemáticas.
Es más: la inteligencia artificial no es más que una aplicación muy ingeniosa, rebuscada y elaborada de matemática!
Cuando se entiende esto, se comprenderá que la IA también es, a su vez, una herramienta que nos permitirá resolver aquellos problemas en los que sepamos cómo utilizarla.
Stay tuned!
“We should stop training radiologists right now,
in five years deeplearning will have better performance.”
-Geoff Hinton (2016)