Red Neuronal Artificial para el mercado de bienes

Compartir

Nuestra divulgadora invitada, Lucero Luna, nos cuenta acerca de las Redes Neuronales Artificiales.

***

Hoy en día existen grandes avances en diferentes campos de investigación y sus aplicaciones. Un caso particular son las Redes Neuronales Artificiales (RNA), las cuales son muy importantes en la Inteligencia Artificial y tienen un tipo de comportamiento similar al del cerebro humano.

Las RNA son herramientas compuestas por neuronas artificiales y sus respectivas conexiones.  Estas redes nacieron en la década de los 40 del siglo XX, y fueron de la mano con el desarrollo de la informática. Sin embargo las RNA nunca tuvieron el éxito esperado, ya que en esa época no se tenía la tecnología necesaria para poder procesarlas y desarrollarlas más a fondo. Con el paso del tiempo y gracias a los avances científicos y tecnológicos se han desarrollado diversos ordenadores capaces de procesar y almacenar grandes datos de información con los cuales se pueden realizar los algoritmos necesarios para lo que se necesite: se pueden crear modelos matemáticos que pueden solucionar problemas complejos.

Mira su aplicación en Yputube:

Estas RNA se inspiraron en las funciones y comportamiento de las neuronas de los organismos vivos: cada neurona artificial se encuentra conectada con otras y además trabajan en conjunto, aunque que tengan tareas independientes cada una. Tienen un enfoque matemático, con bases estadísticas, para que, gracias a los parámetros obtenidos en un estudio, se puedan combinar generando un resultado que se evaúa y así generan varios algoritmos para un determinado problema.

Esta tecnología tiene muchas aplicaciones:  en las telecomunicaciones, la medicina, usos militares, así como en procesos de manufactura. Pero así como tienen aplicaciones para la vida cotidiana, ¡también se pueden aplicar para predecir los valores de la bolsa!

El funcionamiento de la RNA  cuenta con una arquitectura definida la cual ayuda para poder realizar su proceso requerido, la información se propaga en un sentido, pero los nodos suelen agruparse en unidades estructurales las cuales son conocidas como capas. Se tienen 3 tipos de capas: de entrada, de salida y las ocultas. En la primera se reciben datos o señales del entorno (puede ser por medio de un sensor). Las capas de salida dan la respuesta de la red neuronal. La última capa (capa oculta) no tiene conexión directa con el entorno, siendo que esta proporciona grados de libertad adicionales, para que se puedan encontrar representaciones internas correspondientes a rasgos del entorno, proporcionando una mayor riqueza computacional, para poder realizar las operaciones correctas y obtener una salida deseable.

Las neuronas tienen conexiones excitatorias o inhibitorias: un peso negativo es una conexión inhibitoria, por el contrario, un positivo es una conexión excitatoria. Por medio del aprendizaje se obtiene un valor para el peso, que incluye signo y magnitud. Con este medio de aprendizaje se va procesando la información para poder tener claro cómo es que se llevan a cabo las conexiones necesarias para poderlas procesar y obtener los resultados.

Además cuentan con sistemas de aprendizaje, gracias a sus capas, en donde se puede, por ejemplo, determinar el desempeño del mercado de bienes, el sector financiero, o comercial, entre otras aplicaciones. Para poder emplearlas en el mercado de bienes, se introduce información por medio de las capas de la entrada, en donde se clasifica dependiendo de la información disponible, mientras que las capas de salida se conectan con las siguientes capas, donde el valor es diferente a cada conexión y así se puede determinar un proceso de entrenamiento.

La red cuenta con un algoritmo de aprendizaje en donde las neuronas se van adaptando y modificando, dependiendo los parámetros de la red. Para que la modificación se realice, se procesan las entradas, se obtiene una salida y se compara con el supervisor o salida deseada. La función de la red es encontrar el menor error de esta comparación. En cada ocasión que se da este proceso ciertos valores se modifican en cada neurona de la red. A esto se le llama entrenamiento de la red. Una vez que se decide que el error entre la salida y la salida deseada es aceptable se fijan los valores de la red y el entrenamiento termina.

Se destaca la capacidad que tiene la RNA para modelar sistemas complejos y obtener errores mínimos. Con su aplicación a series de tiempo de valores la convierte en una herramienta utilitaria para gobiernos, bancos, operadores, empresas, instituciones, organizaciones que permitan planear compras y ventas de metales preciosos.

**************************************************

Elvia Lucero Luna Juárez estudiante del 6° cuatrimestre de Ingeniería Mecatrónica de la Facultad de Ciencias de la Electrónica de la BUAP. Encantada por las matemáticas, ciencia y tecnología. Aprendiz de divulgación con visión futura para continuar con las maravillas tecnológicas y dar a conocer por medio de la escritura la importancia de la ciencia.

**************************************************

Esta entrada es el resultado del taller Escribir para divulgar donde hemos empezado a desarrollar habilidades de escritura para compartir eso que sabemos o que nos gusta acerca de la ciencia y la tecnología.

Sigue otros textos e imágenes en las redes sociales con el hashtag #EscribirParaDivulgar

Divulgador científico. Matemático de formación, apasionado de la ciencia y la tecnología, sobre todo de los robots.

1 Comment

  • Responder abril 10, 2018

    Carlos Lobato

    Un artículo muy interesante y de fácil lectura. Felicidades a la alumna Lucero y que continúe con ese interés por la ciencia y su divulgación

Leave a Reply