Redes Neuronales

Profesor Carlos Parra

Integrantes Nicolas Matus Alvarado
Valentina Caroca Barraza
Resumen

Una neurona artificial, también conocida como perceptrón o unidad de procesamiento, es un

componente básico de las redes neuronales artificiales (ANN, por sus siglas en inglés). Se
inspira en el funcionamiento de las neuronas biológicas del cerebro humano. Puede
desempeñar un papel en la programación y planificación del mantenimiento al formar parte de
una red neuronal artificial (ANN) más grande.

Introducción

Las redes neuronales artificiales (ANN, por sus siglas en inglés) son un modelo de inteligencia
artificial (IA) inspirado en el funcionamiento del cerebro humano. Estas redes están
compuestas por unidades de procesamiento interconectadas llamadas neuronas artificiales,
que trabajan juntas para procesar información, son un componente fundamental de la
inteligencia artificial y han demostrado ser muy efectivas en una amplia gama de aplicaciones.
Su estructura se compone de capas de neuronas interconectadas, donde cada neurona está
conectada a las neuronas de la capa anterior y siguiente. Cada conexion esta asociada con un
peso. Este peso indica la importancia o relevancia de la conexión entre las neuronas y afecta la
forma en que se procesa la información en la red. Durante el entrenamiento de la red
neuronal, los pesos se ajustan y optimizan para que la red pueda aprender y realizar tareas
específicasEl proceso de entrenamiento implica presentar a la red neuronal un conjunto de
datos de entrenamiento, donde se conocen las entradas y las salidas deseadas. A medida que
la red procesa los datos y genera salidas, se calcula una medida de error entre las salidas
predichas y las salidas deseadas. Luego, se utilizan algoritmos de optimización, como la
retropropagación del error, para ajustar los pesos y minimizar el error de la red. Este proceso se
repite iterativamente hasta que la red neuronal alcance un nivel de rendimiento
satisfactorio.Una vez que la red neuronal ha sido entrenada, puede aplicar a nuevos datos para
realizar predicciones, clasificaciones u otras tareas específicas según su diseño y arquitectura.
Las redes neuronales artificiales son capaces de aprender patrones complejos y realizar tareas
de procesamiento de información que pueden ser difíciles de resolver mediante algoritmos
tradicionales o programación convencional.
 Red Neuronal

Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a
procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro
humano. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo,
que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece
al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de
sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan
resolver problemas complicados, como la realización de resúmenes de documentos o el
reconocimiento de rostros, con mayor precisión Hacer generalizaciones y sacar conclusiones.
Las redes neuronales están presentes en varios casos de uso en muchos sectores, como
los siguientes:

• Diagnóstico médico mediante la clasificación de imágenes médicas

• Marketing orientado mediante el filtrado de redes sociales y el análisis de datos de
comportamiento
• predicciones financieras mediante el procesamiento de datos históricos de
instrumentos financieros
• Previsión de la carga eléctrica y la demanda de energía
• Proceso y control de calidad
• Identificación de compuestos químicos

Las redes neuronales poseen 4 aplicaciones importantes, estas son:

Visión artificial: es la capacidad que tienen las computadoras para extraer información y
conocimientos de imágenes y videos. Con las redes neuronales, las computadoras pueden
distinguir y reconocer imágenes de forma similar a los humanos. La visión artificial tiene
varias aplicaciones, como las siguientes:

• Reconocimiento visual en los vehículos autónomos para que puedan reconocer las
señales de tráfico y a otros usuarios del camino
• Moderación de contenido para eliminar de forma automática los contenidos
inseguros o inapropiados de los archivos de imágenes y videos
• Reconocimiento facial para identificar rostros y reconocer atributos como ojos
abiertos, gafas y vello facial
• Etiquetado de imágenes para identificar logotipos de marcas, ropa, equipos de
seguridad y otros detalles de la imagen
 Reconocimiento de voz: Las redes neuronales pueden analizar el habla humana a
pesar de los diferentes patrones de habla, el tono, el idioma y el acento. Los asistentes
virtuales como Amazon Alexa y el software de transcripción automática utilizan el
reconocimiento de voz para realizar tareas como las siguientes:

• Asistir a los agentes de los centros de llamadas y clasificar las llamadas de forma
automática
• Convertir las conversaciones clínicas en documentación en tiempo real
• Subtitular con precisión videos y grabaciones de reuniones para aumentar el
alcance del contenido

El procesamiento de lenguaje natural (PLN): es la capacidad de procesar texto natural

creado por humanos. Las redes neuronales ayudan a las computadoras a obtener
información y significado a partir de los datos y los documentos de texto. El PLN está
presente en varios casos de uso, entre los que se incluyen los siguientes:

• Chatbots y agentes virtuales automatizados

• Organización y clasificación automáticas de datos escritos
• Análisis de inteligencia empresarial de documentos con formato largo,
como emails y formularios
• Indexación de frases clave que indican sentimientos, como los comentarios
positivos y negativos en las redes sociales
• Resumen de documentos y producción de artículos para un tema determinado

Motores de recomendaciones: Las redes neuronales pueden hacer un seguimiento de la

actividad del usuario para elaborar recomendaciones personalizadas. También pueden
analizar todo el comportamiento de los usuarios y descubrir productos o servicios nuevos
que interesen a un usuario específico. Por ejemplo, Curalate, una empresa emergente con
sede en Filadelfia, ayuda a las marcas a convertir las publicaciones en las redes sociales
en ventas. Las marcas utilizan el servicio de etiquetado inteligente de productos (IPT) de
Curalate para automatizar la recopilación y la selección del contenido social que generan
los usuarios. El IPT utiliza las redes neuronales para encontrar y recomendar de forma
automática productos relevantes para la actividad del usuario en las redes sociales. Los
consumidores no tienen que buscar en los catálogos en línea para encontrar un producto
específico a partir de una imagen en las redes sociales. En cambio, pueden utilizar el
etiquetado automático de productos para comprar el producto con facilidad.
 ¿Cómo funcionan las redes neuronales?
El cerebro humano es lo que inspira la arquitectura de las redes neuronales. Las células
del cerebro humano, llamadas neuronas, forman una red compleja y con un alto nivel de
interconexión y se envían señales eléctricas entre sí para ayudar a los humanos a
procesar la información. De manera similar, una red neuronal artificial está formada por
neuronas artificiales que trabajan juntas para resolver un problema. Las neuronas
artificiales son módulos de software, llamados nodos, y las redes neuronales artificiales
son programas de software o algoritmos que, en esencia, utilizan sistemas informáticos
para resolver cálculos matemáticos.

• Arquitectura de una red neuronal simple: Una red neuronal básica tiene neuronas
artificiales interconectadas en tres capas:
• Capa de entrada: La información del mundo exterior entra en la red neuronal
artificial desde la capa de entrada. Los nodos de entrada procesan los datos, los
analizan o los clasifican y los pasan a la siguiente capa.
• Capa oculta: Las capas ocultas toman su entrada de la capa de entrada o de otras
capas ocultas. Las redes neuronales artificiales pueden tener una gran cantidad de
capas ocultas. Cada capa oculta analiza la salida de la capa anterior, la procesa
aún más y la pasa a la siguiente capa.
• Capa de salida: La capa de salida proporciona el resultado final de todo el
procesamiento de datos que realiza la red neuronal artificial. Puede tener uno o
varios nodos. Por ejemplo, si tenemos un problema de clasificación binaria (sí/no),
la capa de salida tendrá un nodo de salida que dará como resultado 1 o 0. Sin
embargo, si tenemos un problema de clasificación multiclase, la capa de salida
puede estar formada por más de un nodo de salida
• Arquitectura de una red neuronal profunda: Las redes neuronales profundas, o
redes de aprendizaje profundo, tienen varias capas ocultas con millones de
neuronas artificiales conectadas entre sí. Un número, denominado peso,
representa las conexiones entre un nodo y otro. El peso es un número positivo si
un nodo estimula a otro, o negativo si un nodo suprime a otro. Los nodos con
valores de peso más altos tienen mayor influencia en los demás nodos.
En teoría, las redes neuronales profundas pueden asignar cualquier tipo de
entrada a cualquier tipo de salida. Sin embargo, también necesitan mucho más
entrenamiento en comparación con otros métodos de machine learning. Necesitan
millones de ejemplos de datos de entrenamiento en lugar de los cientos o miles
que podría necesitar una red más simple.
 ¿Cuáles son los tipos de redes neuronales?

• datos desde el nodo de entrada hasta el nodo de salida. A continuación, se

indican varios ejemplos:

Las redes neuronales prealimentadas procesan los datos en una dirección, desde el
nodo de entrada hasta el nodo de salida. Todos los nodos de una capa están conectados a
todos los nodos de la capa siguiente. Una red prealimentada utiliza un proceso de
retroalimentación para mejorar las predicciones a lo largo del tiempo.

• Algoritmo de retropropagación: Las redes neuronales artificiales aprenden de

forma continua mediante el uso de bucles de retroalimentación correctivos para
mejorar su análisis predictivo. En pocas palabras, puede pensar en los datos que
fluyen desde el nodo de entrada hasta el nodo de salida a través de muchos
caminos diferentes en la red neuronal. Solo un camino es el correcto: el que asigna
el nodo de entrada al nodo de salida correcto. Para encontrar este camino, la red
neuronal utiliza un bucle de retroalimentación que funciona de la siguiente manera:
• Cada nodo intenta adivinar el siguiente nodo de la
ruta.
• Se comprueba si la suposición es correcta. Los
nodos asignan valores de peso más altos a las rutas
que conducen a más suposiciones correctas y
valores de peso más bajos a las rutas de los nodos
que conducen a suposiciones incorrectas.
• Para el siguiente punto de datos, los nodos realizan
una predicción nueva con las trayectorias de mayor
peso y luego repiten el paso 1.

• Redes neuronales convolucionales: Las capas ocultas de las redes neuronales

convolucionales realizan funciones matemáticas específicas, como la síntesis o el
filtrado, denominadas convoluciones. Son muy útiles para la clasificación de
imágenes porque pueden extraer características relevantes de las imágenes que
son útiles para el reconocimiento y la clasificación de imágenes. La forma nueva
es más fácil de procesar sin perder características que son fundamentales para
hacer una buena predicción. Cada capa oculta extrae y procesa diferentes
características de la imagen, como los bordes, el color y la profundidad.

¿Cómo entrenar las redes neuronales?

El entrenamiento de redes neuronales es el proceso de enseñar a una red neuronal a

realizar una tarea. En principio, las redes neuronales aprenden procesando varios
conjuntos grandes de datos etiquetados o sin etiquetar. Debido a que utilizan estos
ejemplos, pueden procesar entradas desconocidas con mayor precisión.

• En el aprendizaje supervisado, los científicos de datos proporcionan a las redes

neuronales artificiales conjuntos de datos etiquetados que ofrecen la respuesta
correcta por adelantado. Por ejemplo, una red de aprendizaje profundo que se
entrena sobre el reconocimiento facial, en un principio, procesa cientos de miles de
imágenes de rostros humanos, con varios términos relacionados con el origen
étnico, el país o la emoción que describen a cada imagen.

La red neuronal aumenta lentamente el conocimiento a partir de estos conjuntos de datos,

que proporcionan la respuesta correcta por adelantado. Una vez que se entrena la red,
comienza a adivinar el origen étnico o la emoción de una imagen nueva de un rostro
humano que nunca ha procesado.
 ¿Qué es el aprendizaje profundo en el contexto de las redes neuronales?

La inteligencia artificial es el campo de las ciencias de la computación que investiga

métodos para dar a las máquinas la capacidad de realizar tareas que requieren inteligencia
humana. El machine learning es una técnica de inteligencia artificial que otorga a las
computadoras acceso a conjuntos de datos muy grandes y les enseña a aprender de estos
datos. El software de machine learning encuentra patrones en los datos existentes y los
aplica a datos nuevos para tomar decisiones inteligentes. El aprendizaje profundo es un
subconjunto del machine learning que utiliza las redes de aprendizaje profundo para
procesar los datos.

Áreas de aplicación de la inteligencia artificial en el área de mantenimiento

(planificación y programación)

La inteligencia artificial (IA) puede tener diversas aplicaciones en el área de

mantenimiento, específicamente en la planificación y programación de actividades.
Algunas de las áreas de aplicación de la IA en este contexto son:

• Mantenimiento predictivo: Utilizando técnicas de IA, como el aprendizaje

automático y las redes neuronales, es posible analizar datos históricos de
mantenimiento, registros de fallas y datos de sensores para predecir posibles fallas
en los equipos. Esto permite realizar el mantenimiento de manera preventiva y
programada, reducir los tiempos de inactividad no planificados y maximizar la
disponibilidad de los activos.

• Optimización de la programación de mantenimiento: La IA puede ayudar a

optimizar la programación de actividades de mantenimiento al considerar múltiples
factores, como la disponibilidad de recursos, la criticidad de los equipos, las
restricciones de tiempo y los costos. Los algoritmos de optimización y la
planificación basada en reglas utilizadas para encontrar la mejor secuencia y
visualización de tareas de mantenimiento.

• Gestión de inventario y logística: La IA puede mejorar la gestión de inventario y la

logística en el mantenimiento, optimizando la gestión de repuestos y componentes,
estimando las necesidades futuras y automatizando los procesos de solicitud y
entrega de materiales.

• Asistencia virtual y diagnóstico: Los sistemas de asistencia virtual basados en IA,

como chatbots o asistentes de voz, pueden brindar soporte en la planificación y
programación del mantenimiento al responder preguntas, proporcionar guías de
procedimientos y ayudar en el diagnóstico de problemas.
 fortalezas y debilidades

Fortalezas:

Aprendizaje y adaptabilidad: Las redes neuronales pueden aprender a partir de datos y

ajustar sus conexiones (pesos) para adaptarse a diferentes situaciones y patrones. Tienen
la capacidad de reconocer y aprender datos complejos y no lineales.

Procesamiento de información no estructurada: Las redes neuronales pueden manejar y

procesar datos no estructurados, como imágenes, texto y audio. Son capaces de extraer
características y patrones útiles de estos tipos de datos.

Tolerancia al ruido ya los datos incompletos: Las redes neuronales pueden manejar datos
con ruido o incompletos. Debido a su capacidad para generalizar a partir de ejemplos,
pueden lidiar con información imperfecta y aún así generar resultados útiles.

Paralelismo y velocidad: Las operaciones en las redes neuronales pueden llevarse a cabo
en paralelo, lo que permite un procesamiento rápido y eficiente de grandes conjuntos de
datos.

Debilidades:

Requieren grandes cantidades de datos de entrenamiento: Para obtener resultados

precisos y generalizables, las redes neuronales generalmente requieren grandes
cantidades de datos de entrenamiento. Esto puede ser costoso y requiere una gran
cantidad de tiempo y recursos.

Caja negra: Las redes neuronales pueden ser difíciles de interpretar y comprender debido
a su naturaleza como "cajas negras". No siempre es posible entender cómo se llega a una
decisión o predicción específica basada en el modelo de la red neuronal.

Sensibilidad a los datos de entrenamiento: Las redes neuronales pueden ser sensibles a la
calidad y distribución de los datos de entrenamiento. Si los datos son sesgados o no
representan adecuadamente la sustitución del problema, la red neuronal puede producir
resultados sesgados o inexactos.

Riesgo de sobreajuste: Existe el riesgo de que una red neuronal se ajuste demasiado a los
datos de entrenamiento y no generalice bien a nuevos datos. Esto puede llevar a una falta
de capacidad para manejar situaciones inesperadas o datos fuera de la distribución de
entrenamiento.

En general, las redes neuronales artificiales son una herramienta poderosa y versátil para
el procesamiento de información y el aprendizaje automático. Sin embargo, su uso debe
considerar cuidadosamente en función de las fortalezas y debilidades particulares de cada
aplicación específica.
 El futuro de la planificación y programación del mantenimiento

El futuro de la planificación y programación del mantenimiento utilizando redes neuronales

se ve prometedor. A medida que la inteligencia artificial y las redes neuronales avanzan,
se actualizan y estas inteligencias artificiales avanzan cada vez más hacia el futuro y nos
ayuda a determinar las planificaciones y programaciones en el área de la minería.

• Mejor precisión en la predicción de fallos: A medida que las redes neuronales se

entrenan con conjuntos de datos más grandes y diversos, se espera una mayor
precisión en la predicción de fallos y problemas en los equipos de mantenimiento.
Esto permitirá una planificación más precisa de las actividades de mantenimiento
preventivo y reducirá los tiempos de inactividad no planificados.

• Optimización de recursos: Las redes neuronales pueden ayudar a optimizar

recursos en el mantenimiento. Al analizar datos históricos y en tiempo real, las
redes neuronales pueden identificar patrones y tendencias que permiten una
protección más eficiente de personal, equipos y materiales, lo que resultará en un
uso más efectivo de los recursos disponibles.

• Mayor automatización: Con el avance de las redes neuronales, se espera una

mayor automatización de las tareas de planificación y programación del
mantenimiento. Las redes neuronales pueden aprender de datos históricos y tomar
decisiones en tiempo real, lo que permite una toma de decisiones más rápida y
precisa, así como la posibilidad de adaptarse a cambios en las condiciones
operativas.

• Integración con sistemas de monitoreo: Las redes neuronales pueden integrarse

con sistemas de monitoreo y sensores para recopilar datos en tiempo real sobre el
estado de los equipos. Esto permite una supervisión continua y una detección
temprana de posibles fallos, lo que facilita la programación de tareas de
mantenimiento predictivo.

• Mejor toma de decisiones: Las redes neuronales pueden proporcionar información

y recomendaciones basadas en el análisis de datos complejos y múltiples
variables. Esto ayudará a los responsables de la toma de decisiones en la
planificación y programación del mantenimiento a considerar diversos factores y
tomar decisiones más informadas y eficientes.
Conclusión

Las redes neuronales poseen una capacidad para aprender y procesar información las
hace útiles en una amplia variedad de aplicaciones, desde reconocimiento de voz e
imagen hasta análisis de datos y toma de decisiones. Entonces las redes neuronales
artificiales son un modelo poderoso de inteligencia artificial que se basa en la estructura y
el funcionamiento de las redes neuronales biológicas. Estas redes han demostrado ser
útiles en una amplia gama de aplicaciones, incluida la planificación y programación del
mantenimiento.

El uso de redes neuronales en la planificación y programación del mantenimiento tiene el

potencial de mejorar la precisión en la predicción de fallos, optimizar la protección de
recursos, aumentar la automatización de tareas, integrarse con sistemas de monitoreo y
mejorar la toma de decisiones. Se espera que los avances en las redes neuronales y la
inteligencia artificial brinden mejoras significativas en la planificación y programación

Referencias

Barriga, N., Bekios, J. y Contreras, R. (s/f). Diplomado en Inteligencia Artificial . Facultad

de Ingeniería y Ciencias. Recuperado el 30 de junio de 2023, de
https://ingenieria.uai.cl/diplomado/diplomado-en-inteligencia-
artificial/?utm_source=google&utm_medium=adwords&utm_campaign=ZEP_AOS_POST_
TDD&gclid=CjwKCAjw-vmkBhBMEiwAlrMeF_MQKg5p9Qz96ebHq
omH0x0riFOmtNT_Gis0rzFNuDLFMLnyqukvERoC6MwQAvD_BwE

Charlas tecnológicas. (2019, 22 de octubre). Qué son las redes neuronales y sus
funciones . ATRIA Innovación. https://www.atriainnovation.com/que-son-las-redes-
neuronales-y-sus-funciones/

Colaboradores de Wikipedia. (s/f). Red neuronal artificial . Wikipedia, la enciclopedia

libre. https://es.wikipedia.org/w/index.php?title=Red_neuronal_artificial&oldid=149306247