Redes neuronales

|Las redes neuronales |

Este documento describe de manera breve el funcionamiento y algunos usos posibles de las redes neuronales.
Se trata de una herramienta de análisis estadístico que permite la construcción de un modelo de comportamiento a partir de una determinadacantidad de ejemplos (constituidos por una determinada cantidad de "variables descriptivas") de dicho comportamiento. La red neuronal, completamente "ignorante" al principio, efectúa un "aprendizaje" partiendo de los ejemplos, para luego transformarse, a través de modificaciones sucesivas, en un modelo susceptible de rendir cuenta del comportamiento observado en función de las variables descriptivas.
Laconstrucción del modelo es automática y directa desde los datos; no necesita intermediario especial o costoso sea experto o "cognitista".
Por ejemplo, al impartir a una red neuronal un aprendizaje relacionado con descripciones de personas que piden préstamos (estado civil, profesión, etc.), aunado a su comportamiento adoptado frente al reintegro del dinero, nos encontramos en capacidad deconstruir un modelo del riesgo asociado con la descripción de los clientes. Si luego, le pedimos a ese modelo predicciones sobre nuevos expedientes, podemos constatar que la red neuronal predice correctamente de 80 a 95% si el cliente pagará bien o no. Esta es la operación de segmentación o clasificación.
En todo caso, la red neuronal una vez construida constituye une verdadero modelo "a la medida" queactúa en función de lo que percibe : no va a repetir las experiencias pasadas de manera tonta. tampoco se trata de ir a buscar dentro de una biblioteca un modelo más o menos adaptado. Si en realidad existe una relación de causa a efecto en medio de las descripciones introducidas (perfil del prestatario, cotizaciones anteriores de una acción, relaciones de medidas, punto de funcionamiento deseado)y los valores a prever (riesgo de "ruptura" del préstamo, curso de la acción 10 días más tarde, naturaleza de la avería, variables de mando), la red la descubrirá.
La red neuronal es sólida. No se queda invalidada con algunos ejemplos enredados o falsos : estos serán descartados del resto por su incoherencia.
Los valores ausentes son también hábilmente manejados y no perturban la construccióndel modelo.
En un ámbito completamente diferente, se puede aprender a asociar en una máquina-herramienta relaciones de medidas y sus averías : el previsor despejado realiza una manutención preventiva indicando la posibilidad de avería desde el momento en que las medidas tomarán valores que él estimará como sospechosas (o realizando un diagnóstico a partir de las últimas relaciones si es demasiadotarde). Esto ha sido ampliamente experimentado en el caso del diagnóstico de vibración de las máquinas giratorias.
Asímismo, en función automática y en función mando es posible modelizar el comportamiento de un reactor químico o de un robot. La red neuronal indica según el modo de funcionamiento que usted desee cuáles son los valores necesarios de las variables de mando. A este respecto remítasea nuestro ejemplos Parabola (guía de proyectil) y Vehículo (guía de vehículos) en nuestro CD-ROM de demostración.
Dichos ejemplos son sencillos pero ilustran ampliamente el problema.
Esta capacidad para aprender todo aquello que tenga un sentido ("aproximador universal") ha sido establecida de manera rigurosa (Teorema de Kolmogorov). Las redes neuronales son una herramienta de gran rigor cuyasbases han sido demostradas. No se trata de un "hack", ni de una fábrica de gas de los cuales "no se sabe porqué funcionan".
Este método no se ha popularizado sino en la época actual por la simple razón de que ahora es cuando se ha llegado a un cierto poder de cálculo necesario para su puesta en aplicación : los 10 minutos necesarios para aplicar un aprendizaje en un IBM-PC Pentium en 1998...