Las redes neuronales artificiales son un modelo computacional inspirado en el comportamiento del sistema nervioso. Su objetivo es resolver problemas como lo hace el cerebro, basándose en la clasificación y actualización de los datos.
Antes de nada, una red neuronal consiste en un conjunto de unidades o perceptrones ("neuronas artificiales") que están conectadas entre sí para recibir y emitir señales. Cuando la señal entra en una neurona, al salir, el valor del enlace se multiplica por un valor peso; el valor del del peso puede incrementar o inhibir el estado de activación de la neurona que viene, y al mismo tiempo, a la salida de la neurona, existe una función limitadora que modifica el valor del resultado antes de propagarse a otra neurona.
La información de entrada atraviesa la red neuronal (donde ocurren diversas operaciones), produciendo unos valores de salida.
Una de las herramientas que emplean para las redes neuronales es el aprendizaje profundo o "deep learning". Esto se trata de una red neuronal multicapa, que actualmente se emplea en conducción autónoma, la medicina personalizada, el procesamiento de la imagen y en seguridad.
Uno de los puntos fuertes del deep learning es que la máquina aprende sola. Se intenta minimizar una función de pérdida, la cual es evaluada por la red en su totalidad; para ello, los valores de los pesos de las neuronas se van actualizando, buscando reducir el valor de la función de pérdida. La actualización se hace de capa en capa, en orden.
Pero, son varias las críticas hechas al aprendizaje profundo. Por un lado, porque tiene sus limitaciones y por otro, porque a juicio de científicos, se ve la necesidad de combinarlo con otras técnicas de inteligencia artificial para que esta última pueda alcanzar todo su potencial.
Entre las limitaciones o retos del aprendizaje profundo se encuentran los siguientes:
-Si comparamos una red neuronal y una red neuronal artificial, nos damos cuenta de que la primera puede comprender términos abstractos que van más allá de la construcción correcta del lenguaje y la segunda, en cambio, al no tener esos datos, no encontrará solución al problema planteado. Relacionado con esto, los humanos podemos inferir cosas de un texto o una conversación de una forma indirecta y no explícita, al contrario que una máquina.
-Un sistema de deep learning está adaptado a un tipo de escenario o situación, por tanto, al cambiar el escenario, las soluciones no serán tan buenas. El escenario y las reglas del sistema en el que se aplican deben ser precisas y predecibles, por ello, el entorno sí que puede ser un juego de mesa, pero no la evolución del sistema financiero por ejemplo. Además, no se meten conocimientos previos en el sistema, sino que se le enseña la relación de los outputs e inputs y así, la máquina puede no entender la relación de causalidad de dos elementos pero sí correlacionarlos, aunque sea una casualidad y no una causalidad.
-Cuando hay distintos elementos en una misma capa, el sistema quizás no sepa detectar cómo funciona la jerarquía entre ellos, de esta manera, puede aproximarse de una forma inadecuada al análisis.
-Otra crítica es que al meter nosotros los datos a la red neuronal y sólo obtener o ver las soluciones, nos impide ver el proceso de funcionamiento, que es inaccesible.
Estas críticas no quieren decir que se deba desacreditar al aprendizaje profundo sino que no se debe alabar tanto su única utilidad. Sí que es buena idea emplear y desarrollar el deep learning, su potencial lo dice todo, pero no se debe centrarse sólo en ello. Utilizarlo sí, para circunstancias concretas y como complemento de otros sistemas de inteligencia artificial, que también requieren de investigación y desarrollo, tanto como el alabado deep learning.
https://telos.fundaciontelefonica.com/la-cofa/las-limitaciones-del-aprendizaje-profundo/
Comentários