¿Por qué debería alguien sin conocimientos especializados entender las redes neuronales?
Es importante que entienda las redes neuronales porque forman parte de la mayoría de las herramientas de IA que utiliza, desde la transcripción de voz hasta los asistentes de chat. Para decidir si comprar esas herramientas o confiar en ellas, necesita saber qué pueden aprender y qué no.
Imagine una correduría de seguros ficticia de 80 personas, Harbourline Insurance. Un proveedor presenta un producto para clasificar siniestros al responsable de operaciones, Daniel. La diapositiva dice: 'Red neuronal profunda, 12 capas, entrenada con millones de siniestros, 94% de exactitud, aprende como el cerebro humano.' Las notas de Daniel de la llamada dicen: 'no tengo claro qué significa capas. ¿con siniestros de quién se entrenó? ¿94% de qué? ¿puede explicar una decisión si un cliente se queja?' Tiene que informar a su director antes del jueves y no quiere limitarse a repetir la diapositiva ni descartar el producto.
¿Cómo funciona una red neuronal, paso a paso?
Una red neuronal funciona pasando números por capas de unidades, cada una de las cuales combina sus entradas mediante pesos ajustables, y comparando después el resultado final con la respuesta correcta para ajustar ligeramente los pesos y mejorar la próxima vez. Los pasos siguientes muestran una predicción y una ronda de aprendizaje.
1. Las entradas se convierten en números
Todo lo que la red recibe se convierte primero en números: el brillo de los píxeles de una imagen, palabras convertidas en códigos numéricos para un texto o campos como el importe de la reclamación y la antigüedad de la póliza para una reclamación de seguro.
2. Cada neurona pondera sus entradas
Una neurona, también llamada nodo, multiplica cada valor de entrada por un peso, suma los resultados junto con una constante llamada sesgo y pasa el total por una función de activación. La función de activación es lo que permite que varias capas de neuronas aprendan patrones curvos y no lineales, en lugar de limitarse a patrones de línea recta.
3. Cada capa se apoya en la anterior
Las neuronas se organizan en capas. La capa de entrada contiene los valores sin procesar, una o varias capas ocultas los transforman y la capa de salida genera la predicción, por ejemplo, 'probablemente sea una reclamación sencilla' o 'requiere un especialista'. Una red con muchas capas ocultas se denomina profunda; de ahí proviene el término aprendizaje profundo.
4. Se mide el error
Durante el entrenamiento, la red hace una predicción para un ejemplo cuya respuesta correcta se conoce. La diferencia entre su respuesta y la correcta se mide con un número llamado pérdida.
5. Se ajustan las ponderaciones
Un algoritmo llamado retropropagación calcula cuánto contribuyó cada peso al error, y un método llamado descenso de gradiente ajusta ligeramente cada peso en la dirección que habría reducido ese error. Al repetirse con muchos miles o millones de ejemplos, estas pequeñas correcciones dan lugar a un modelo que hace buenas predicciones.
¿Cómo se comparan una explicación deficiente y una mejorada de una red neuronal?
Una explicación deficiente repite lo que dice el proveedor: 'Es una red neuronal profunda de 12 capas que aprende como un cerebro y tiene una exactitud del 94%.' La directora de Daniel no obtiene ninguna información que le permita actuar, y 'aprende como un cerebro' es una metáfora, no una descripción. Las neuronas reales y estas unidades comparten un nombre y una inspiración vaga, no un mecanismo.
Una explicación mejorada dice: 'El producto es una red neuronal: un modelo que aprendió a clasificar reclamaciones ajustando millones de pesos internos hasta que sus predicciones coincidieron con decisiones anteriores. Eso significa que su calidad está limitada por las reclamaciones pasadas de las que aprendió, por lo que necesitamos saber de quién eran esas reclamaciones y si se parecen a las nuestras. Hay que definir la cifra del 94%: ¿con qué datos de prueba acierta y con qué frecuencia clasifica erróneamente una reclamación compleja como sencilla? Es difícil explicar cada decisión de estos modelos, así que debemos preguntar qué ofrece el proveedor cuando un cliente cuestiona un resultado y mantener la revisión humana de todas las reclamaciones rechazadas.' Esa versión convierte la diapositiva en cuatro preguntas precisas.
¿Por qué las redes neuronales necesitan tantos datos y dónde se utilizan?
Las redes neuronales necesitan muchos datos porque tienen una gran cantidad de pesos que ajustar, y cada peso se aprende a partir de ejemplos en lugar de ser definido por una persona. Si hay muy pocos ejemplos, la red puede memorizar sus datos de entrenamiento en vez de aprender un patrón general, lo que se denomina sobreajuste.
Se utilizan cuando hay muchos patrones, pero resulta difícil expresarlos como reglas: reconocer objetos en imágenes, convertir voz en texto, traducir idiomas, detectar transacciones inusuales y servir de base a grandes modelos de lenguaje como los que utilizan los asistentes ChatGPT, Claude y Gemini. Para tablas de datos empresariales pequeñas y bien organizadas, los modelos más sencillos suelen ser igual de precisos y mucho más fáciles de explicar.
¿Cuáles son los límites de las redes neuronales?
Las principales limitaciones son que las redes neuronales aprenden lo que contienen sus datos de entrenamiento, incluidas sus carencias y sesgos; que es difícil explicar cada una de sus decisiones; y que pueden equivocarse con seguridad ante casos muy distintos de los que vieron durante el entrenamiento. Las cifras de precisión dependen por completo de los datos de prueba, así que pregunte siempre cuáles se utilizaron. Entrenar redes grandes también requiere una capacidad de cómputo considerable, por lo que la mayoría de las organizaciones utiliza modelos preentrenados.
¿Cómo se verifica una afirmación sobre una red neuronal?
Compruebe una afirmación sobre una red neuronal preguntando con qué datos aprendió, cómo se evaluó, qué errores comete y quién revisa sus decisiones. Si un proveedor no puede responder con claridad, el número de capas no importa.
¿Dónde se sitúa esta lección en Tosheo.ai?
Esta lección pertenece a la categoría de aprendizaje automático y abre la unidad de redes neuronales del curso de aprendizaje automático. En Tosheo.ai, después realiza una tarea práctica en la que explica un modelo a una parte interesada ficticia, y los comentarios basados en la guía de evaluación señalan las metáforas vagas y las afirmaciones de precisión sin fundamento. Ofrece una base profesional para trabajar con aprendizaje automático, no es un programa intensivo de creación de modelos; si quiere crear redes mediante código, el itinerario opcional de programación aborda ese tema tras registrarse.