La inteligencia artificial (IA) es un rea multidisciplinaria que, a travs de ciencias como

la informtica, la lgica y la filosofa, estudia la creacin y diseo de entidades capaces de

razonar por s mismas utilizando como paradigma la inteligencia humana.
General y amplio como eso, rene a amplios campos, los cuales tienen en comn la
creacin de mquinas capaces de pensar. En ciencias de la computacin se denomina
inteligencia artificial a la capacidad de razonar de un agente no vivo.
1

2

3
John McCarthy
acu la expresin inteligencia artificial en 1956, y la defini as: Es la ciencia e
ingenio de hacer mquinas inteligentes, especialmente programas de cmputo
inteligentes.
4

Bsqueda del estado requerido en el conjunto de los estados producidos por las
acciones posibles.
Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN).
Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de
animales y humanos).
Razonamiento mediante una lgica formal anlogo al pensamiento abstracto
humano.
Tambin existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y
producidas, respectivamente, por sensores fsicos y sensores mecnicos en mquinas,
pulsos elctricos u pticos en computadoras, tanto como por entradas y salidas de bits de un
software y su entorno software.
Varios ejemplos se encuentran en el rea de control de sistemas, planificacin automtica,
la habilidad de responder a diagnsticos y a consultas de los consumidores, reconocimiento
de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA
actualmente son parte de la rutina en campos como economa, medicina, ingeniera y la
milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia,
como ajedrez de computador, y otros videojuegos.
ndice
1 Categoras de la inteligencia artificial
2 Escuelas de pensamiento
o 2.1 Inteligencia artificial convencional
o 2.2 Inteligencia artificial computacional
3 Historia
4 La inteligencia artificial y los sentimientos
5 Crticas
6 Tecnologas de apoyo
7 Aplicaciones de la inteligencia artificial
8 Investigadores en el campo de la inteligencia artificial
9 Inteligencia artificial en la ficcin
10 Vase tambin
11 Referencias
12 Bibliografa
13 Enlaces externos
o 13.1 Publicaciones
o 13.2 Asociaciones
o 13.3 Robtica
o 13.4 Videos
o 13.5 Otros
Categoras de la inteligencia artificial
Stuart Russell y Peter Norvig diferencian estos tipos de la inteligencia artificial:
5

Sistemas que piensan como humanos.- Estos sistemas tratan de emular el
pensamiento humano; por ejemplo las redes neuronales artificiales. La
automatizacin de actividades que vinculamos con procesos de pensamiento
humano, actividades como la Toma de decisiones, resolucin de problemas,
aprendizaje.
6

Sistemas que actan como humanos.- Estos sistemas tratan de actuar como
humanos; es decir, imitan el comportamiento humano; por ejemplo la robtica. El
estudio de cmo lograr que los computadores realicen tareas que, por el momento,
los humanos hacen mejor.
7

Sistemas que piensan racionalmente.- Es decir, con lgica (idealmente), tratan de
imitar o emular el pensamiento lgico racional del ser humano; por ejemplo los
sistemas expertos. El estudio de los clculos que hacen posible percibir, razonar y
actuar.
8

Sistemas que actan racionalmente (idealmente). Tratan de emular de forma
racional el comportamiento humano; por ejemplo los agentes inteligentes.Est
relacionado con conductas inteligentes en artefactos.
9

Escuelas de pensamiento
La IA se divide en dos escuelas de pensamiento:
La inteligencia artificial convencional
La inteligencia computacional
Inteligencia artificial convencional
Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y
estadstico del comportamiento humano ante diferentes problemas:
Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven
ciertos problemas concretos y, aparte de que son muy importantes, requieren de un
buen funcionamiento.
Sistemas expertos: Infieren una solucin a travs del conocimiento previo del
contexto en que se aplica y ocupa de ciertas reglas o relaciones.
Redes bayesianas: Propone soluciones mediante inferencia probabilstica.
Inteligencia artificial basada en comportamientos: esta inteligencia tiene autonoma
y pueden auto-regularse y controlarse para mejorar.
Smart process management: facilita la toma de decisiones complejas, proponiendo
una solucin a un determinado problema al igual que lo hara un especialista en la
actividad.
ROCAS MAGMTICAS
Las rocas magmticas, tambin conocidas como rocas gneas, se originan a partir del magma que
se encuentra en el interior de La Tierra. La formacin de estas rocas puede ser debida a la
disminucin de la temperatura del magma o de la presin a la que se encuentra. Si nos fijamos en
el lugar donde se enfra el magma podemos clasificar las rocas magmticas en:
Rocas plutnicas: se forman en el interior
de grandes cmaras magmticas, dando
lugar a enormes masas rocosas llamadas
plutones. El enfriamiento del magma es
lento y los cristales que se forman son
grandes; por ello, se denominan
macrocristales. Estos cristales confieren a
la roca un aspecto granuloso, como en el
caso del granito o la sienita que aparece
en la imagen.

Rocas filonianas: se originan cuando el
magma asciende a la superficie, se
introduce en grietas o fisuras y all se enfra,
en contacto con rocas de la corteza, ms
fras que l. En estas rocas encontramos
cristales grandes rodeados de otros
pequeos. Se dice que el aspecto de estas
rocas es Porfdico, como en el caso de la
pegmatita o del prfido que aparece en la
imagen.

Rocas volcnicas: son rocas que se forman por enfriamiento muy rpido, al contactar el
magma con el agua o el aire. Por ello, se forman masas vtreas, que no han tenido tiempo
de cristalizar . A veces se originan pequeos cristales, llamados microcristales. Pueden
aparecer muchos poros, como en el caso de la pumita o la toba volcnica de la imagen.
_______________________________________La inteligencia artificial es considerada una
rama de la computacin y relaciona un fenmeno natural con una analoga artificial a travs
de programas de computador. La inteligencia artificial puede ser tomada como ciencia si se
enfoca hacia la elaboracin de programas basados en comparaciones con la eficiencia del
hombre, contribuyendo a un mayor entendimiento del conocimiento humano.
Si por otro lado es tomada como ingeniera, basada en una relacin deseable de entrada-
salida para sintetizar un programa de computador. "El resultado es un programa de alta
eficiencia que funciona como una poderosa herramienta para quien la utiliza."
A travs de la inteligencia artificial se han desarrollado los sistemas expertos que pueden
imitar la capacidad mental del hombre y relacionan reglas de sintaxis del lenguaje hablado
y escrito sobre la base de la experiencia, para luego hacer juicios acerca de un problema,
cuya solucin se logra con mejores juicios y ms rpidamente que el ser humano. En la
medicina tiene gran utilidad al acertar el 85 % de los casos de diagnstico.
Breve historia de la Inteligencia Artificial

Los esfuerzos por reproducir algunas habilidades mentales humanas en mquinas y
androides se remontan muy atrs en la historia. El mito del coloso de Rodas entre los
griegos, las estatuas "parlantes" del medioevo, el androide de Von Kempelen que jug al
ajedrez con Napolen, y el "motor analtico" de Charles Babbage que calculaba logaritmos,
son slo algunos de los ejemplos de este antiguo inters. Igualmente, la concepcin de la
inteligencia humana como un mecanismo no es reciente ni ha estado disociada de la
psicologa: Descartes, Hobbes, Leibniz, y el mismo Hume se refirieron a la mente humana
como una forma de mecanismo.
Durante el siglo XIX y la primera mitad del XX, las analogas biolgicas y
fenomenolgicas desplazaron a la nocin de mecanismo en el estudio de la mente humana.
Sin embargo, a partir de la segunda mitad de nuestro siglo, la nocin de mecanismo renov
su poder heurstico con la formalizacin de la nocin de "computacin".
Como algunas mquinas, especialmente las calculadoras, se disearon para evitar el tener
que pensar y para hacer el pensamiento ms rpido y exacto, fue inevitable que desde sus
orgenes las calculadoras, y ms adelante las computadoras, se relacionaran con la
inteligencia y el pensamiento enfatizando sus similitudes.
La IA fue introducida a la comunidad cientfica en 1950 por el ingls Alan Turing en su
artculo "Maquinaria Computacional e Inteligencia." A pesar de que la investigacin sobre
el diseo y las capacidades de las computadoras comenzaron algn tiempo antes, fue hasta
que apareci el artculo de Turing que la idea de una mquina inteligente cautiv la
atencin de los cientficos.
La pregunta bsica que Turing trat de responder afirmativamente en su artculo era:
pueden las mquinas pensar? Los argumentos de Turing en favor de la posibilidad de
inteligencia en las mquinas, iniciaron un intenso debate que marc claramente la primera
etapa de interaccin entre la IA y la psicologa. Los debates en aquella poca se centraron
en el anlisis de la serie de problemas implicados en la aplicacin de trminos mentalistas a
las computadoras. La intencin de Turing no era la de usar estos trminos como analogas
sino la de eliminar la distincin entre inteligencia natural e inteligencia artificial.
Dos de las contribuciones ms importantes de Turing a la IA fueron el diseo de la primera
computadora capaz de jugar ajedrez y, ms importante que esto, el establecimiento de la
naturaleza simblica de la computacin.
El trabajo de Turing, quien falleci prematuramente, fue continuado en los Estados Unidos
por John Von Neumann durante la dcada de los cincuentas. Su contribucin central fue la
idea de que las computadoras deberan disearse tomando como modelo al cerebro
humano. Von Neumann fue el primero en "antropomorfizar" el lenguaje y la concepcin de
la computacin al hablar de la "memoria", los "sensores", etc., de las computadoras.
Construy una serie de mquinas utilizando lo que a principios de los cincuentas se conoca
sobre el cerebro humano, y dise los primeros programas almacenados en la memoria de
una computadora.
Sin embargo, esta lnea de investigacin pronto encontr serias limitaciones. La
concentracin en la imitacin de la constitucin fsico-qumica del cerebro, no permiti ver,
a Von Neumann y sus seguidores, que la analoga sera mucho ms eficiente si se
estudiaran las funciones del cerebro, es decir, sus capacidades como procesador de
informacin.
Corresponde a McCulloch, a mediados de los cincuentas, formular una posicin
radicalmente distinta al sostener que las leyes que gobiernan al pensamiento deben buscarse
entre las reglas que gobiernan a la informacin y no entre las que gobiernan a la materia.
Esta idea abri grandes posibilidades a la IA. En esta lnea, Minsky (1959), uno de los
padres fundadores de la IA, modific su posicin y sostuvo que la imitacin del cerebro a
nivel celular debera ser abandonada.
Es ms o menos en esta poca que ocurre un evento que organizara y dara un gran
impulso al desarrollo de la IA: el congreso en Darthmouth (1956). En este congreso, en el
que se reunieron los padres fundadores de la disciplina, se lleg a la definicin de las
presuposiciones bsicas del ncleo terico de la IA:
1. El reconocimiento de que el pensamiento puede ocurrir fuera del cerebro, es decir, en
mquinas
2. La presuposicin de que el pensamiento puede ser comprendido de manera formal y
cientfica
3. La presuposicin de que la mejor forma de entenderlo es a travs de computadoras
digitales
Desde fines de los cincuentas la investigacin en IA se expande y se multiplica en
direcciones diversas. La capacidad simblica de las computadoras es estudiada, entre otros,
por Shanon (1950) y por Newell, Shaw y Simon (1958) quienes disean el primer programa
inteligente basado en su modelo de procesamiento de informacin. Este modelo de Newell,
Shaw y Simon habra de convertirse pronto en la teora dominante en psicologa
cognoscitiva.
Algunos investigadores se dedicaron al estudio de la naturaleza del aprendizaje en las
computadoras y a los procesos de reconocimiento de patrones visuales. Como resultado de
ello Selfridge y Dinneen consiguen disear el primer programa capaz de aprender por
experiencia (ver McCorduck, 1979).
Basndose en los estudios sobre memoria asociativa, el equipo Newell-Shaw-Simon
construy los primeros lenguajes de procesamiento de informacin (IPL-I, IPL-II)
utilizados en el diseo de su "Logic Theorist Machine" que se convirti en la primera
mquina "inteligente". Esta mquina fue capaz no slo de memorizar y aprender, sitio que
consigui demostrar de una manera original y "creativa", es decir no prevista por sus
creadores, algunos de los teoremas propuestos por Bertrand Russell en los Principios
(Russell and Whitehead, 1925).
Desde sus orgenes la IA se relacion con juegos como el ajedrez y las damas,
probablemente debido a que los juegos de mesa constituyen modelos de situaciones reales
en las que hay que calcular, solucionar problemas, tomar decisiones, corregir errores,
recordar, etc. A pesar de que esta lnea de investigacin ha sido casi totalmente abandonada
en la actualidad, muchos de los avances tericos y metodolgicos de la IA se deben a ella.
Por ejemplo, Samuel dise en 1961 un programa que jugaba damas y que era capaz de
aprender de sus errores, es decir, era capaz de adaptar su comportamiento en relacin a
eventos pasados. Lo pasmoso de este programa fue que, aunada a su capacidad de
aprendizaje la de memoria, con el tiempo consigui derrotar invariablemente a su creador.
El mismo resultado fue obtenido por Bernstein a travs de un programa que jugaba ajedrez
(Boden, 1977). Los grandes "retos" entre computadoras y seres humanos se multiplicaron,
siendo el ms famoso de ellos el que ocurri entre Dreyfus (un enconado crtico de la IA) y
el programa Machack, en el que Dreyfus fue derrotado en un juego de ajedrez de varias
horas.
A principios de los sesentas, la IA comienza una fase distinta de su desarrollo. En 1962,
McCarthy y Raphael inician sus trabajos sobre el diseo y la construccin de un robot
mvil que llamaran "Shakey". La diferencia fundamental entre este robot y los programas
en computadora utilizados hasta ahora por la IA, es que "Shakey" tendra que enfrentar el
reto de interactuar con el mundo real en trminos de espacio, tiempo, movimiento, etc. En
otras palabras, el robot tendra que tener alguna forma de "conocimiento" del mundo que lo
rodeaba. Este reto inici una fuerte preocupacin en la IA por el estudio de la epistemologa
y los procesos cognoscitivos. La discusin se centr alrededor de los problemas de la
representacin mental o interna del conocimiento, la percepcin y los problemas del
significado. La idea bsica de Raphael era la de reunir, en una sola, distintas mquinas con
capacidad de aprender por experiencia, de reconocer patrones visuales, de modelar, de
manipular smbolos, etc., y esperar que el todo fuera mayor que la suma de las partes. El
resultado del experimento no fue el xito que Raphael esperaba, pero fue un logro sin
precedente que hizo posibles avances muy importantes. El aprendizaje ms importante de
esta experiencia fue la comprensin de que el problema ms difcil por resolver en IA era el
de construir una mquina capaz de funcionar con altos ni<,eles de incertidumbre, como lo
hace un ser humano. Se hizo claro que construir una mquina que no lidiara efectivamente
con la incertidumbre sera una de dos: o trivial, por la simpleza de la tarea, o imposible por
la complejidad de la misma.
Hacia mediados de los sesentas la IA se convierte en un rea en la que se interesan e
interactan especialistas de diversas disciplinas: lgicos, psiclogos, matemticos,
lingistas, filsofos, etc. Uno de los grandes temas de IA en esta dcada fue el estudio del
lenguaje. En la mayora de los estudios iniciales sobre lenguaje, se atac el problema de
disear una mquina que fuera capaz de traducir de un idioma a otro. El nfasis se hizo en
el anlisis de la sintaxis, en lugar del significado, estrategia que se abandon relativamente
pronto. Los investigadores interesados en esta rea de la IA pronto descubrieron que
traduccin no es lo mismo que transformacin, y que, como consecuencia de ello, de
alguna manera la mquina tendra que "entender" un texto antes de poder traducirlo. Los
esfuerzos se orientaron hacia una definicin de la comprensin que pudiera simularse en
una computadora.
Con esta idea como lineamiento heurstico, se desarroll una serie de programas que
exploraban esta serie de habilidades relacionadas con el lenguaje y la comprensin: el
"orculo" de Phillips, "Sad Sam" de Lindzay que fue uno de los ms exitosos, y "Eliza" de
Wizenbaum y Colby. (ver Boden, 1977). El programa de Lindzay se orient hacia el
estudio del significado, connotativo y denotativo, y es capaz de hacer inferencias, conocer,
y parafrasear sobre el mundo conocido. Eliza, por otra parte, consisti en un anlisis de la
conversacin que se basa en la simulacin de una terapia psicolgica interactiva en la que
el programa es el analista y el interlocutor es el analizado. Un ejemplo de una conversacin
sostenida con Eliza en la computadora de la Universidad de Stanford es el siguiente (el
dilogo de la computadora en letras maysculas):
BUENAS TARDES, POR FAVOR ESCRIBA SU NOMBRE
buenas tardes, me llamo Javier
ES UN PLACER CONOCERTE, JAVIER
el placer es mio
QUE TE TRAE POR AQUI?
nada en especial, he tenido trabajo y me siento agotado
QUE TE HACE PENSAR QUE ESTAS AGOTADO?
he tenido problemas en mi trabajo
PROBLEMAS?
es decir, he estado preocupado con mi trabajo
CUENTAME TUS PREOCUPACIONES...
Segn Colby, psicoanalista por entrenamiento, el programa result tan exitoso en trminos
clnicos que valdra la pena intentar reproducirlo masivamente como instrumento
teraputico. Intento al que Weizenbaum, coautor del programa, se opuso decididamente con
el argumento de que no puede decirse desde ningn punto de vista que "Eliza" es capaz de
entender lo que se le dice. "Eliza", Weizenbaum insiste, es un programa capaz de
responder, que no es lo mismo que comprender.
Como resultado de este y otros debates, las preguntas de investigacin siguieron girando
alrededor de la nocin de comprensin. Los seres humanos comprendemos en una pltica
mucho ms de lo que se nos dice explcita y verbalmente (en parte porque la comunicacin
no~verbal juega un papel muy importante y en parte por nuestras capacidades para obtener
informacin del contexto y para operar con altos niveles de incertidumbre) y pareci
importante que estas habilidades fueran reproducidas en una computadora con pretensiones
de inteligencia. Los investigadores se dedicaron entonces al estudio de los aspectos no-
verbales del lenguaje y al de reconocimiento de patrones.
Para mediados de los sesentas, y como resultado de los estudios sobre lenguaje y
comprensin. la IA se involucr en el estudio del problema de la representacin mental del
conocimiento. Igualmente, una gran preocupacin en esta dcada fue la de encontrar
aplicaciones prcticas de lo que se haba aprendido hasta entonces. Entre las aplicaciones
ms exitosas debe mencionarse el diseo de DENDRAL en Stanford, un programa que hace
espectogramas y diagnsticos mdicos y que hasta ahora ha tenido la misma tasa de error
que los seres humanos. La segunda aplicacin importante tiene que ver con la psicologa
educativa y la mencionar en la siguiente seccin sobre la interaccin entre la IA y la
psicologa.
Red neuronal artificial
Este artculo trata sobre red neuronal artificial. Para otros usos de este trmino, vase red
neuronal biolgica.


Red neuronal artificial perceptrn multicapa con n neuronas de entrada, m neuronas en su
capa oculta y una neurona de escape.
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls
como: "ANN"
1
) son un paradigma de aprendizaje y procesamiento automtico inspirado en
la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexin de neuronas que colaboran entre s para producir un estmulo de salida. En
inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes
neuronales.
ndice
1 Historia
2 Propiedades
o 2.1 Diseo y programacin de una RNA (red neuronal artificial)
o 2.2 Estructura
3 Ventajas
4 Tipologa de las RNA
o 4.1 Modelos
o 4.2 Topologa
o 4.3 Aprendizaje
o 4.4 Tipo de entrada
5 Aplicaciones
o 5.1 Ejemplos
5.1.1 Quake II Neuralbot
5.1.2 Clasificador No Sesgado de Protenas
6 Herramientas de software
7 Vase tambin
8 Referencias
9 Enlaces externos
Historia
Los primeros modelos de redes neuronales datan de 1943 por los neurlogos McCulloch y
Pitts. Aos ms tarde, en 1949, Donald Hebb desarroll sus ideas sobre el aprendizaje
neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarroll el
perceptrn simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la
primera aplicacin industrial real.
En los aos siguientes, se redujo la investigacin, debido a la falta de modelos de
aprendizaje y el estudio de Minsky y Papert sobre las limitaciones del perceptrn. Sin
embargo, en los aos 80, volvieron a resurgir las RNA gracias al desarrollo de la red de
Hopfield, y en especial, al algoritmo de aprendizaje de retropropagacin ideado por
Rumelhart y McLellan en 1986 que fue aplicado en el desarrollo de los perceptrones
multicapa.
2

Propiedades


Perceptrn con 2 entradas.
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una
serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por
tres funciones:
1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que
por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de
su interconexin (valor neto). Si el peso es positivo, la conexin se denomina
excitatoria; si es negativo, se denomina inhibitoria.
2. Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en
este caso la salida la misma funcin de propagacin.
3. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de
activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada
por la interpretacin que queramos darle a dichas salidas. Algunas de las ms
utilizadas son la funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la
tangente hiperblica (para obtener valores en el intervalo [-1,1]).
Diseo y programacin de una RNA (red neuronal artificial)
Con un paradigma convencional de programacin en ingeniera del software, el objetivo del
programador es modelar matemticamente (con distintos grados de formalismo) el
problema en cuestin y posteriormente formular una solucin (programa) mediante un
algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho
problema. En contraposicin, la aproximacin basada en las RNA parte de un conjunto de
datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda
automticamente las propiedades deseadas. En este sentido, el diseo de la red tiene menos
que ver con cuestiones como los flujos de datos y la deteccin de condiciones, y ms que
ver con cuestiones tales como la seleccin del modelo de red, la de las variables a
incorporar y el preprocesamiento de la informacin que formar el conjunto de
entrenamiento. Asimismo, el proceso por el que los parmetros de la red se adecuan a la
resolucin de cada problema no se denomina genricamente programacin sino que se
suele denominar entrenamiento neuronal.
Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la
fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe son cancergenos y
tejidos que se sabe son sanos, as como las respectivas clasificaciones de dichas imgenes.
Si el entrenamiento es el adecuado, una vez concluido, el sistema podr recibir imgenes de
tejidos no clasificados y obtener su clasificacin sano/no sano con un buen grado de
seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada
imagen hasta un vector de caractersticas de las mismas que se puedan incorporar al sistema
(por ejemplo, procedencia anatmica del tejido de la imagen o la edad del paciente al que
se le extrajo la muestra).
Estructura
La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos de
estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un
conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones
entre estas unidades donde reside la inteligencia de la red. Sin embargo, en trminos de
escala, un cerebro es muchsimo mayor que cualquier RNA creada hasta la actualidad, y las
neuronas artificiales tambin son ms simples que su contrapartida animal.
Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones
sinpticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un
gran nmero de procesadores virtuales interconectados que de forma simplificada simulan
la funcionalidad de las neuronas biolgicas. En esta simulacin, la reorganizacin de las
conexiones sinpticas biolgicas se modela mediante un mecanismo de pesos, que son
ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos
determina el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el
que la RNA ha sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene
asociada una funcin matemtica denominada funcin de transferencia. Dicha funcin
genera la seal de salida de la neurona a partir de las seales de entrada. La entrada de la
funcin es la suma de todas las seales de entrada por el peso asociado a la conexin de
entrada de la seal. Algunos ejemplos de entradas son la funcin escaln de Heaviside, la
lineal o mixta, la sigmoide y la funcin gaussiana, recordando que la funcin de
transferencia es la relacin entre la seal de salida y la entrada.
Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas
en la estructura del sistema nervioso, principalmente el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se
llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como
entrada a su vez que se le indica cul es la salida (respuesta) esperada.
Auto organizacin: Una RNA crea su propia representacin de la informacin en
su interior, quitndole esta tarea al usuario.
Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma
redundante, sta puede seguir respondiendo de manera aceptable aun si se daa
parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin
de entrada, como seales con ruido u otros cambios en la entrada (por ejemplo si la
informacin de entrada es la imagen de un objeto, la respuesta correspondiente no
sufre cambios si la imagen cambia un poco su brillo o el objeto cambia
ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es
implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.