INFORME DEL TRABAJO DE INVESTIGACIÓN:

REDES NEURONALES ARTIFICIALES

Asignatura: Ingeniería Eléctrica y Electrónica

Sección: EP001

Profesor del curso: Ing. Emilio Marcelo Barreto

Grupo N° 06:

o Cruz Delgado, Andrea Nicole

o Hilario Sánchez, Claudia Andrea

o Lloclla Torres, Lissie Shantall

o Ochoa Chipana, Ana Cecilia

o Samaniego Davila, Jeyson Stevens

o Zurita Curahua Sebastian Nicolas

Lima, 2023

1
 ÍNDICE

Contenido
CAPÍTULO I: INTRODUCCIÓN.....................................................................................................3

CAPÍTULO II: OBJETIVOS.............................................................................................................4

2.1. Objetivos.............................................................................................................................4

2.1.1. Objetivo General.................................................................................................................4

2.1.2. Objetivos Específicos..........................................................................................................4

CAPÍTULO III: MARCO TEÓRICO................................................................................................5

3.1. Inteligencia Artificial..........................................................................................................5

3.2. Machine Learning y Deep Learning....................................................................................6

3.2.1. Machine Learning................................................................................................................7

3.2.2. Deep Learning.....................................................................................................................7

3.3. Aprendizaje Profundo..........................................................................................................8

3.4. Redes Neuronales Artificiales...........................................................................................10

CAPÍTULO IV: DESARROLLO....................................................................................................12

3.5. Elementos y características principales de una Red Neuronal Artificial..........................12

REFERENCIAS BIBLIOGRAFÍAS...............................................................................................14

2
 CAPÍTULO I: INTRODUCCIÓN

A medida que la inteligencia artificial continúa avanzando, su impacto se vuelve cada vez
más evidente en campos tan diversos como la atención médica, la manufactura, el transporte, el
servicio al cliente, la investigación científica y más.

Al aprovechar el poder del aprendizaje automático, las redes neuronales, el procesamiento

del lenguaje natural y otras técnicas, la inteligencia artificial ha abierto nuevas oportunidades para
automatizar tareas, mejorar la eficiencia de las operaciones y brindar soluciones innovadoras a
problemas complejos.

Estos avances tecnológicos también plantean importantes cuestiones éticas y sociales, así
como preocupaciones sobre la privacidad, la toma de decisiones automatizada, el desempleo
tecnológico y la equidad en el acceso a los beneficios de la inteligencia artificial.

En Introducción a la Inteligencia Artificial, examinaremos los fundamentos de esta

apasionante disciplina, sus aplicaciones actuales y futuras, y las implicaciones para nuestra
sociedad y el futuro híbrido de la tecnología.

A medida que la inteligencia artificial continúa desarrollándose, es de vital importancia

comprender sus capacidades, limitaciones y su impacto en nuestras vidas y el mundo que nos
rodea.

3
 CAPÍTULO II: OBJETIVOS

Objetivos

Objetivo General

Estudio y desarrollo de las redes neuronales artificiales

Objetivos Específicos

 Analizar los diferentes implementos que se necesite para el desarrollo de las

redes neuronales artificiales

 Demostrar cómo aplicar la teoría investigada en el desarrollo

4
 CAPÍTULO III: MARCO TEÓRICO

Inteligencia Artificial

La historia de la inteligencia artificial empezó en el año 1943 mediante los

científicos Warren McCullough y Walter Pitts, presentando su primer modelo matemático
para la creación de una red neuronal. La creación del primer ordenador neuronal fue
creada por Marvin Minsky y Dean Edmonds, alumnos de la Universidad de Harvard.

El desarrollo de la inteligencia artificial comenzó con una simple pregunta en el

año 1950, realizada por Alan Turing “¿Pueden pensar las máquinas?”.

Alan Turing tenía como objetivo lograr una réplica o simular la inteligencia
humana en las máquinas, mediante esto se planteó varias interrogantes. Así creando
artículos como “Computing Machinery and Intelligence” y “Test Turing” dando como
base la inteligencia artificial.

La descripción de “maquinas inteligentes” no explica la definición de inteligencia

artificial, para intentar remediar este asunto; dos científicos informáticos publicaron un
libro “Artificial Intelligence: A Modern Approach”, en este libro se entiende que la IA es
el estudio de los agentes que reciben percepciones del entorno y realizan acciones.

Mediante cuatro enfoques se ha definido la inteligencia artificial en el

pensamiento humano, pensamiento racional, acción humana y acción racional.

Según Patrick Winston, profesor de inteligencia artificial del MIT propone, “La
IA es un conjunto de algoritmos activados por restricciones, buscando la mejor solución
posible vinculando el pensamiento, la percepción y la acción”.

Arthur Samuel en 1952 creo un software capaz de jugar al ajedrez de forma

autónoma y el termino de inteligencia artifical fue usado por primera vez en una
conferencia “Darmouth Summer Research Project on Artificial Intelligence” de John
McCarthy.

En 1973 se destacaba en el gobierno británico sobre la decepción de la IA durando

hasta el año 1980, este periodo de tiempo se le denomino “el primer invierno de la IA”; se
pudo superar al invierno gracias a la creación de la red neuronal R1(XCON), siendo un

1
sistema comercial experto en la configuración de nuevos sistemas informáticos
provocando un auténtico auge y haciendo que se unan más inversionistas al proyecto de
la IA.

Gracias a los avances tecnológicos Google pudo incorporar el reconocimiento de

voz a sus dispositivos en el año 2008 gracias a la IA. Luego en 2012, Andrew Ng
alimento una red neuronal con 10 millones de videos de YouTube como una serie de
datos, logrando que la IA reconociera animales u objetos sin la necesidad de que alguien
se lo dijera o enseñara y así inicio la nueva era del Deep Learning.

En el año 2016, la IA tuvo un gran impacto en el mundo de los E-Sports

presentándose en el famoso juego de “Dota 2”, donde la IA resulto ser ganadora.

En 2017, durante la Japan AI Experience, el CEO de DataRobot, Jeremy Achin,

propuso su propia definición sobre la IA, “La inteligencia artificial es un sistema
informático capaz de realizar tareas que normalmente requieren inteligencia humana,
muchos de estos sistemas de IA se basan en el Machine Learning, otros en el Deep
Learning y otros en cosas muy aburridas como las reglas”. Es decir, que la IA sigue en
orden sus algoritmos sin omitir alguna regla impuesta por la persona en su programación.

Debido a los amplios algoritmos que contiene la IA, ha sido usado en varios
sectores como:

El sector del comercio ofreciendo publicidad al usuario dependiendo de su última

búsqueda en la red informática y mostrando recomendaciones que le podría gustar al
usuario, esto depende de los videos o búsquedas con las que más se ha tenido contacto.

El sector industrial, pues gracias a la IA las industrias han reducido en gran escala
algunos errores manuales que provocan los empleados o factores internos de la industria,
la IA analiza los datos que contienen los equipos IoT para lograr una predicción sobre la
carga y la demanda mediante Deep Learning y anticiparse a posibles fallos de
funcionamiento.

En el sector financiero también ha sido de gran ayuda la IA, pues mediante el

análisis que toma es posible detectar y prevenir el fraude, también automatiza las tareas
de gestión de datos de cada cliente comprobando si es apto o no para ser acreedor de
algún crédito que solicite.

1
Machine Learning y Deep Learning

Machine Learning

(Machine Learning, s.f.) El Machine Learning, es una rama de la

inteligencia artificial, que, por medio de la codificación de algoritmos, les da la
capacidad a las computadoras de crear predicciones y diferenciar patrones de
datos masivos. Es así que ahora las computadoras son capaces de llevar a cabo
tareas puntuales de forma independiente, o sea, sin haber necesidad de estar
programando uno por uno.

Los algoritmos de Machine Learning están divididas en tres categorías:

Aprendizaje supervisado. - Esta codificación de algoritmos están

relacionados a un aprendizaje anterior que tuvo de base un sistema de le permitía
tomar decisiones o hacer predicciones.

Ej. El detector de spam, este algoritmo sigue una serie de patrones para
derivarlo como spam o no.

Aprendizaje no supervisado. - En esta categoría los algoritmos no tienen

una noción previa. Afrontan el caos de los datos con la finalidad de hallar
patrones que aprueben la organización de algún modo.

Ej. En el área de marketing se usa este tipo de algoritmo ya que nos permite
sacar patrones de abundantes datos que vienen de las redes sociales y así, se
crean las campañas de publicidad.

Aprendizaje por refuerzo. - La meta de este aprendizaje es que el algoritmo

obtenga conocimientos por medio de su propia experiencia. Es decir, que tenga la
capacidad de ante diversas situaciones escoger la mejor.

Ej. El uso de reconocimiento facial, clasificar secuencias de AND o

diagnósticos médicos.

Deep Learning

(Deep Learning, s.f.) El Deep Learning está dentro de las variedades de

machine learning, este último entrena a un ordenador para que sea capaz de
1
realizar actividades, tareas que hacen los humanos, así como el reconocimiento
de fotografías, identificación del habla o generar predicciones.

Sin embargo, en vez de ordenar datos, el deep learning se identifica por la

configuración de parámetros esenciales que ayudan al entrenamiento de una
computadora y sus datos para que sea capaz de instruirse independientemente,
identificando así los patrones por medio de la utilización de varias capas de
procesamiento.

Uso del deep learning en el mundo moderno:

Reconocimiento del habla. - Por parte de lo académico y negocios se ha

adquirido la formación de la identificación del habla. Los siguientes ejemplos ya
hacen uso de las tecnologías de aprendizaje en sus estructuras y patrones de
reconocimiento de voz humana.

Ej. Skype, Xbox, Siri de Apple y Google Now

Reconocimiento de imágenes. - Este reconocimiento es la percepción

automática de imágenes y descripción de escenas.

Ej. La identificación de imágenes es importante ya que nos ayuda al

momento de reconocer actividad criminal en una zona muy concurrida y de
donde llegan distintas imágenes.

Procesamiento del lenguaje natural. - Las conexiones neurales es un

elemento central del deep learning, su uso es significativo para administrar y
examinar el texto escrito por muchos años atrás.

Ej. Este método nos ayuda a la identificación en los patrones de notas

médicas, quejas de clientes o reportes informativos.

Sistema de recomendación. - Este deep learning es usado en diversas

plataformas, sea de música, vestimenta, plataformas de stream. Las
recomendaciones de basan en comportamientos pasados y tienen una buena
posibilidad de que le pueda interesar a usted.

Ej. Netflix, Disney plus, Amazon, EBay, etc.

1
Aprendizaje Profundo

Es un método de la IA que enseña a las computadoras la manera de procesar datos

inspirados por el cerebro humano. Es capaz de reconocer patrones complejos en las
imágenes, textos, sonidos y otros canales que puedan transmitir informaciones, con el
objetivo de hacer predicciones precisas.

Mediante el aprendizaje profundo, la IA es utilizado en la vida cotidiana, por

ejemplo:

 Asistentes digitales, como el área de ventas de una tienda o de reclamos.

 Mandos de televisión activados por voz, como los modelos actuales de TV en las
cuales tienen micrófono incorporado y tan solo diciendo lo que queremos buscar o
ver, la IA lo tomará como información y lo producirá.

 Detección de fraudes, la IA es capaz de realizar un análisis masivo de datos para

identificar comportamientos sospechosos en las transacciones y actividades.

 Reconocimiento facial automático, como los smartphones que aceptan una revisión
biométrica del rostro para poder desbloquear el equipo.

Los algoritmos del aprendizaje profundo son redes neuronales modelados por un
cerebro, las redes neuronales son módulos de software llamado nodos, que utilizan
cálculos matemáticos para procesar los datos.

Componentes de una red de aprendizaje

1
  Capa de Entrada (Input Layer): Los datos se introduce y forma varios nodos con la
información, la cual constituye a la capa de entrada.

 Capa Oculta (Hidden Layer): Procesa los datos y lo transmiten a otras capas
neuronales. En esta capa se procesa la información a diferentes niveles, adaptando
su comportamiento mientras reciben nueva información, es decir, evalúa las posibles
soluciones mediante diferentes puntos de vista.

 Capa de Salida (Output Layer): Es formado por los nodos que emiten datos de
salida, mediante el algoritmo de salida de respuestas (“Sí” o “No”), pues únicamente
tienen dos nodos en la capa de salida.

La información ingresada al aprendizaje profundo se deriva en varias posibles

soluciones de las cuales se unen mediante los nodos, la IA buscara al solución o
predicción más precisa que pueda resolver el problema por lo cual en cada momento se va
descartando algunos nodos desde los diferentes puntos de vista de la IA, hasta tener uno
solo, la cual será la solución al problema planteado.

Redes Neuronales Artificiales

Las redes neuronales es un método de inteligencia artificial inspirada en el cerebro

humano que enseña a las computadoras cómo procesar datos. Este es un proceso de
aprendizaje automático llamado aprendizaje profundo que utiliza nodos o neuronas
interconectados en una estructura jerárquica similar al cerebro humano. Esto crea un
sistema adaptativo que las computadoras pueden usar para aprender de sus errores y
mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver
problemas complejos, como el resumen de documentos o el reconocimiento facial, con
mayor precisión.

La importancia de las Redes Neuronales es que pueden ayudar a las computadoras a

tomar decisiones informadas con asistencia humana limitada. Esto se debe a que pueden
aprender y modelar relaciones complejas y no lineales entre datos de entrada y salida.

Estas redes neuronales están presentes en varios casos de uso en muchos sectores,
como los siguientes:

 Diagnóstico médico mediante la clasificación de imágenes médicas

1
 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 químico

1
 CAPÍTULO IV: DESARROLLO

4.1. Elementos y características principales de una Red Neuronal Artificial

Las neuronas artificiales, también conocidas como perceptrones, son un componente

fundamental en la mayoría de las redes neuronales artificiales y en el campo de la
inteligencia artificial. Su objetivo es simplificar el funcionamiento de una neurona
biológica en el cerebro humano. Una neurona artificial es un procesador que toma una
serie de datos de entrada, realiza operaciones matemáticas con ellos y produce un
resultado. (Amazon, 2023)

A continuación, se muestra una descripción de los principales componentes de las

neuronas artificiales:

Entradas (inputs): la neurona artificial recibe una serie de señales de entrada, cada
una con un valor numérico correspondiente. Estos insumos son funciones o información
que se utilizan para tomar decisiones o producir resultados.

Peso (Weights): Cada entrada está ponderada por un valor numérico llamado "peso".
Estos pesos indican la importancia relativa de cada entrada en los cálculos generales
realizados por la neurona. Los pesos se pueden ajustar durante el entrenamiento de la red
neuronal.

Función de suma ponderada (Weighted sum): La neurona realiza una suma

ponderada de las entradas multiplicadas por sus respectivos pesos. Esto se hace para
calcular la suma ponderada de todas las entradas y sus pesos asociados. La fórmula para
esta operación es:

Suma ponderada = (Entrada 1 * Peso 1) (Entrada 2 * Peso 2) ... (EntradaN * PesoN)

Función de activación (Activation Function): después de calcular la suma

ponderada, el resultado se pasará a la función de activación. Esta función introduce no
linealidad en la neurona y determina si la neurona está "disparando", es decir, si produce
una salida activada. Los ejemplos comunes de funciones de activación incluyen la
función sigmoidea, la función ReLU (unidad lineal rectificada) y la función tanh
(tangente hiperbólica). (Amazon, 2023)

1
 Umbral (Threshold): algunas neuronas artificiales también pueden contener un
umbral, que es un valor que se compara con una suma ponderada más una función de
activación para decidir si la neurona se activa o no. Si la suma de los pesos más la función
de activación excede el umbral, la neurona se disparará y producirá una señal de salida;
de lo contrario, todavía no funcionará. (Amazon, 2023)

Las neuronas artificiales se utilizan en redes neuronales artificiales para procesar

información y aprender a realizar tareas específicas como reconocimiento de patrones,
clasificación de datos, toma de decisiones, etc. Conectadas capas por capa y adaptadas
mediante técnicas de aprendizaje automático, estas neuronas artificiales pueden realizar
tareas complejas de procesamiento de información, lo que las hace fundamentales en el
campo de la inteligencia artificial. (Amazon, 2023)

4.2. Algoritmos para las redes neuronales

Las redes neuronales utilizan algoritmos para el entrenamiento y la inferencia. Dos de

los algoritmos fundamentales son:

- Retro propagación (Backpropagation): Este es el algoritmo principal para

entrenar redes neuronales. Consiste en propagar el error desde la capa de
salida hacia atrás a través de las capas ocultas, ajustando los pesos de las
conexiones en cada capa para minimizar el error. Se utiliza junto con
optimizadores como el Descenso del Gradiente Estocástico (SGD), Adam,
RMSprop, entre otros, para actualizar los pesos. (Corporativa, I., 2023)

- Algoritmo de propagación hacia adelante (Feedforward): Es el algoritmo

utilizado en la fase de inferencia. Toma las entradas, pasa por la red
neuronal capa por capa, aplicando las funciones de activación y
produciendo una salida. (Corporativa, I., 2023)

Estos son solo los algoritmos básicos. Dependiendo de la arquitectura de la red (como
redes convolucionales, recurrentes, etc.) y las tareas específicas, se pueden utilizar
variaciones y algoritmos adicionales para mejorar el rendimiento, como la regularización,
la normalización por lotes, entre otros. (Corporativa, I., 2023)

4.3. Demanda de energía eléctrica en las redes neuronales

Las redes neuronales pueden utilizarse en la predicción y gestión de la demanda de

1
energía eléctrica. Aquí hay algunas formas en las que las redes neuronales pueden ser
aplicadas en este contexto:

- Predicción de la Demanda: Las redes neuronales pueden ser entrenadas

utilizando datos históricos de la demanda de energía eléctrica, junto con
características como la hora del día, la temporada, las condiciones
meteorológicas, y factores económicos. Una vez entrenadas, estas redes
pueden predecir la demanda futura, lo que ayuda a las empresas de energía
a planificar la generación y distribución de energía. (Amazon, 2023)

- Optimización de la Generación y Distribución: Las redes neuronales pueden

ser parte de sistemas de optimización que ajustan la generación y
distribución de energía en tiempo real para satisfacer la demanda de manera
eficiente y económica. (Amazon, 2023)

- Detección de anomalías y fallos: Las redes neuronales pueden utilizarse

para detectar anomalías en la red eléctrica, como fallos en equipos o
conexiones defectuosas. Esto permite una respuesta rápida y eficiente para
mantener la confiabilidad del suministro eléctrico. (Amazon, 2023)

- Gestión de la Carga: En sistemas de distribución de energía, las redes

neuronales pueden utilizarse para gestionar la carga de manera inteligente,
distribuyendo la energía de manera óptima en diferentes momentos del día
y en función de las necesidades de los usuarios. (Amazon, 2023)

- Predicción de Energía Solar y Eólica: Para sistemas de energía renovable,

las redes neuronales pueden predecir la generación futura de energía solar y
eólica en función de datos meteorológicos, lo que es esencial para la
integración efectiva de estas fuentes de energía en la red. (Amazon, 2023)

- Optimización de Edificios Inteligentes: En entornos como edificios

inteligentes, las redes neuronales pueden controlar sistemas de iluminación,
calefacción y refrigeración para minimizar el consumo de energía mientras
se mantiene el confort de los ocupantes. (Amazon, 2023)

- Gestión de Baterías: Las redes neuronales también pueden utilizarse en

sistemas de almacenamiento de energía, como baterías, para prever la

1
 demanda futura y optimizar el uso de la energía almacenada. (Amazon,
2023)

En resumen, las redes neuronales pueden desempeñar un papel importante en la

gestión y optimización de la demanda de energía eléctrica, lo que es esencial para
garantizar un suministro eficiente y confiable en un mundo con una creciente demanda de
energía y una mayor integración de fuentes de energía. energía renovable.

4.4. Aplicación de una RNA a la predicción del género del usuario

Para aplicar una red neuronal a la predicción del género del usuario, se necesitaría
un conjunto de datos etiquetados que contenga información relevante sobre los usuarios y
su género. Aquí hay un enfoque general sobre cómo se podría abordar este problema:

- Conjunto de datos: Recopila un conjunto de datos que incluye información

sobre los usuarios y sus géneros. La información podría incluir
características como nombre, edad, ubicación, preferencias, historial de
navegación, redes sociales, etc. Además, cada usuario debe estar etiquetado
con su género (por ejemplo, masculino o femenino). (Datascientest, 2023)

- Preprocesamiento de datos: Limpia y preprocesa los datos, como la

eliminación de datos faltantes y la codificación de características
categóricas. Normaliza o estandariza las características según sea necesario.
(Datascientest, 2023)

- Diseño de la red neuronal: Diseña una red neuronal que tome las
características de entrada (por ejemplo, las características del usuario) y
tenga una capa de salida con una neurona, que representará la probabilidad
de género (por ejemplo, 0 para masculino y 1 para mujeres). ( Datascientest,
2023)

- Entrenamiento de la red: Divide el conjunto de datos en conjuntos de

entrenamiento y prueba. Luego, utilice el conjunto de entrenamiento para
entrenar la red neuronal utilizando algoritmos de aprendizaje supervisado
como la retro propagación. Ajusta los pesos y sesgo de la red para
minimizar la pérdida. (Datascientest, 2023)

- Evaluación del modelo: Evalúa el rendimiento del modelo utilizando el

1
 conjunto de prueba. Mide métricas como precisión, recuperación,
puntuación F1 y la matriz de confusión para evaluar tan bien la red neuronal
predice el género de los usuarios. (Datascientest, 2023)

¿CÓMO NOS VA A AFECTAR EN EL FUTURO LAS REDES NEURONALES ARTIFICIALES

(RND)?

1. Dependencia Tecnológica:
La dependencia excesiva de las redes neuronales artificiales puede hacer que las personas se
vuelvan demasiado dependientes de la tecnología y pierdan habilidades críticas. Depender
exclusivamente de algoritmos puede reducir la capacidad de las personas para resolver problemas
de forma independiente.
2. Desarrollo de Tecnología Desigual:
Las redes neuronales artificiales necesitan de una gran cantidad de datos para su entrenamiento.
Los países o regiones que no tienen el suficiente acceso de los datos pueden quedarse atrás en el
desarrollo tecnológico y crear una brecha digital más amplia.
3. Ciberseguridad:
En la medida que la red neuronal artificial se torna más difícil, también se vuelven más vulnerables
a los ciberataques. El ataque a sistemas basados en ARN puede tener graves consecuencias, en
especial cuando involucra sistemas críticos, ejemplo servicios de salud o las infraestructuras
energéticas.
EN LA SOCIEDAD:
1. Desempleo y Desigualdad:
Por redes neuronales artificiales la automatización impulsada, podría provocar pérdidas de empleo
en todas las industrias y, si no se gestiona adecuadamente, la transición de la fuerza laboral podría
exacerbar el desempleo y la desigualdad económica.
2. Privacidad y Control de Datos:
La colección de datos utilizados para entrenar redes neuronales artificiales plantea preocupaciones
sobre la privacidad. Si no se manejan de forma adecuada, podrían ocurrir problemas de privacidad
y control inadecuado de los datos personales, afectando la libertad personal.
3. Falta de Transparencia:
en las redes neuronales artificiales los algoritmos utilizados suelen ser difíciles de comprender para
la mayoría de las personas. Esto puede generar una falta de transparencia en las decisiones tomadas
por aquellas tecnologías, lo que puede generar una desconfianza y preocupación entre el público.
(ANA. C)

1
¿QUÉ IMPACTO TENDRÁN LAS REDES NEURONALES ARTIFICIALES (RNA)?
Las redes neuronales artificiales (RNA) tienen el potencial de generar numerosos beneficios, pero
también plantean preocupaciones y desafíos significativos en la sociedad, la tecnología y la
industria. Aquí se detallan algunos de los posibles impactos negativos:
En la Sociedad:
1. Desempleo y Desplazamiento Laboral:
La automatización impulsada por las RNA podría llevar a la pérdida de empleos en industrias que
dependen de tareas rutinarias y repetitivas. Esto podría aumentar el desempleo y crear tensiones
sociales debido al desplazamiento laboral.
2. Manipulación de la Opinión Pública:
Las RNA pueden ser utilizadas para manipular la opinión pública y difundir información falsa y
desinformación de manera más sofisticada, socavando la confianza en las instituciones y la
democracia.
3. Privacidad y Seguridad:
La recopilación y el análisis de grandes volúmenes de datos para entrenar las RNA plantean
preocupaciones sobre la privacidad. Si estos datos se utilizan indebidamente o caen en manos
equivocadas, podría haber violaciones de la privacidad y riesgos de seguridad.

En Tecnología e Industria:

1. Desafíos Éticos y Legales:

El uso de RNA plantea cuestiones éticas y legales, incluyendo preguntas sobre la responsabilidad
en caso de decisiones automatizadas incorrectas o dañinas. También se deben abordar preguntas
sobre la transparencia y el control humano sobre las decisiones tomadas por las RNA.
2. Reducción de la Diversidad de Empleo:
La automatización de tareas rutinarias mediante RNA podría llevar a una reducción en la
diversidad de empleos disponibles, lo que podría limitar las oportunidades de carrera para ciertos
grupos de personas.

En resumen, mientras que las RNA ofrecen ventajas significativas, su adopción y aplicación deben
manejarse cuidadosamente para abordar estos impactos negativos. Se necesitan regulaciones
adecuadas, transparencia en el uso de algoritmos y esfuerzos continuos para minimizar el sesgo y
garantizar que estas tecnologías se utilicen de manera ética y responsable en la sociedad, la
tecnología y la industria. (ANA.C)

¿CUÁLES SERÁN LOS BENEFICIOS DE LAS REDES NEURONALES ARTFICIALES

(RNA)?
Se pueden aportar una serie de beneficios importantes a la sociedad y la tecnología, las redes
neuronales artificiales (RNA).
Aquí te presento algunos de los beneficios más destacables:
EN LA SOCIEDAD
1. Automatización de Tareas Repetitivas:
El comercio y la industria, las redes neuronales artificiales pueden programar tareas repetitivas,
lograr la eficiencia y permitir que las personas se concentren en tareas estratégicas y creativas.
2. Asistencia en la Toma de Decisiones:
1
Se pueden considerar grandes conjuntos de datos de las redes neuronales artificiales para igualar
información valiosa para la toma de decisiones en áreas como el medio ambiente, la economía y la
política, logrando a tomar decisiones más inteligentes
3. Educación Personalizada:
En el ámbito de la educación, de las redes neuronales artificiales se podrían adaptar los métodos de
enseñanza y los materiales de aprendizaje según los avances de cada alumno y los métodos de
enseñanza, proporcionando una educación más eficaz.
EN LA TECNOLOGIA

1. Reconocimiento de Patrones:
Las redes neuronales artificiales destacan en la identificación de patrones en materiales complejos
y pueden utilizarse en tecnologías como la voz, el reconocimiento facial y de escritura a mano para
mejorar la autenticación.
2. Conducción Autónoma:
Las redes neuronales artificiales, en la industria del transporte son esenciales para los vehículos
autónomos. Se procesan inmediatamente los datos de los sensores para tomar decisiones seguras,
reducir los accidentes y mejorar la seguridad vial.
3. Innovación y Descubrimiento:
Las RNA se usa para lograr d grandes conjuntos de datos en la investigación científica y develar
patrones complejos en campos como la química, la física y la biología, incrementando el progreso
científico y la innovación.

En pocas palabras, han tenido un impacto significativo las redes neuronales artificiales, en la
sociedad y la tecnología, logrando la precisión, la personalización en campos y la eficiencia que
van desde la medicina hasta la industria y la educación.

¿CÓMO SE APLICARIA EN NUESTRO DÍA A DÍA LAS REDES NEURONALES

ARTIFICIALES?
Están agregadas en muchas áreas de nuestra vida diaria, las Redes Neuronales Artificiales (RNA).
A continuación, se muestran algunos ejemplos de cómo se utiliza RNA en situaciones cotidianas:
1. Asistentes Virtuales: Los asistentes como Siri de Apple, Alexa de Amazon usan de las redes
neuronales artificiales para lograr comandos de voz y responder a las preguntas. Se encuentran en
dispositivos estos asistentes como los altavoces inteligentes y dispositivos domésticos conectados.
2. Filtros de Spam:
Se utiliza las redes neuronales artificiales de los sistemas de correo electrónico y las redes sociales
para hallar y filtrar los mensajes de spam, los correos electrónicos no deseados, manteniendo
limpias nuestras bandejas de entrada.
3. Diagnóstico Médico:
1
En el campo médico, las redes neuronales artificiales se usan para apoyar a diagnosticar las
enfermedades mediante un análisis de imágenes y datos médicos, lo que mejora en la velocidad del
diagnóstico y la precisión
4. Traducción de Idiomas:
Las aplicaciones de traducción como Google Translate se emplea en redes neuronales artificiales
para la voz de un idioma a otro y traducir texto, lo que esto logra de manera fácil a la comunicación
en situaciones multilingües.

CONCLUSIONES:
1. Tras la presente investigación se concluye que las redes neuronales artificiales son una pieza
fundamental en el proceso de creación de una IA capaz de detectar acciones humanas o fallos en
algún sistema.

2. Las redes neuronales artificiales han generado un impacto en distintas ramas de ciencia tales
como la medicina, economía, geología, etc. Todo esto debido a la posibilidad de poder predecir
acciones a tomar en base a un futuro acontecimiento después de analizar gran cantidad de
información.

3. Las redes neuronales influyen en cómo las personas y empresas realizan sus actividades en el día
a día, desde un like en redes, hasta un proceso complejo de automatización industrial. Esto sumado
al machine learning y/o deep learning logran que la IA pueda adaptarse a cualquier ambiente.

4. Se concluye que desarrollar una red neuronal artificial correctamente conlleva a contar con
conocimientos matemáticos y de mucha información (big data) que pueda ser brindada a la red
neuronal para que esta pueda aprender. Los algoritmos utilizados para su entrenamiento pueden
variar dependiendo el objetivo del creador de la red.

1
RECOMENDACIONES:

1. Se debe de contar con los conocimientos adecuados en ciencias para poder iniciar un proyecto de
Inteligencia Artificial que involucre el uso de redes neuronales artificiales.

2. Para poder asegurarse de que la red neuronal funcione de forma correcta, es necesario pasar por
distintas etapas de validación y retroalimentación de la red, puesto que, si se está diseñando alguna
para el sector salud, esta puede ser perjudicial de no estar bien instruida antes de realizar alguna
acción médica.

3. A pesar de que actualmente las redes neuronales ayudan a las personas y empresas, sigue siendo
ideal aún en algunos campos llevar una supervisión humana del funcionamiento de las mismas para
asegurar un funcionamiento correcto y sin riesgos.

4. Se debe de ser cuidadoso al brindar la información base para el entrenamiento de las redes
neuronales puesto que esta última es capaz de aprender de forma errónea o no ética con la finalidad
de lograr lo que el usuario creador le solicite.

1
 REFERENCIAS BIBLIOGRAFÍAS

Corporativa, I. (n.d.). Descubre los principales beneficios del Machine Learning.

Iberdrola. Retrieved October 9, 2023, from

https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico

No title. (n.d.). Com.Pe. Retrieved October 9, 2023, from https://www.google.com.pe/url?

sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwiE_Lyp3-

eBAxVgD1kFHb2UBxsQFnoECAsQAw&url=https%3A%2F%2Fwww.sas.com

%2Fes_pe%2Finsights%2Fanalytics%2Fdeep-learning.html%23%3A~%3Atext

%3DEl%2520deep%2520learning%2520es%2520un%2Cde%2520im

%25C3%25A1genes%2520o%2520hacer

%2520predicciones.&authuser=1&usg=AOvVaw3dRQ2g_kPqu0QNFCTsb9W-

&opi=89978449

(N.d.). Amazon.com. Retrieved October 9, 2023, from https://aws.amazon.com/es/what-

is/neural-network/#:~:text=Una%20red%20neuronal%20es%20un,lo%20hace

%20el%20cerebro%20humano

Inteligencia artificial : definición, historia, usos, peligros. (2022, August 10). Formation

Data Science | Datascientest.com. https://datascientest.com/es/inteligencia-

artificial-definicion

(N.d.-b). Amazon.com. Retrieved October 9, 2023, from

https://aws.amazon.com/es/what-is/deep-learning/