Redes Neuronales Artificiales.

 

Decía Manuel Tohaira en el programa Atlántida en la madrugada del 18 de julio de 2004 que: "Hemos pasado de intentar comprender el mundo a transformarlo". Y no se equivocaba. Así es la ciencia y así son los científicos.

Creo que lo más conveniente en este artículo es empezar por definir algunos de los conceptos con los que nos vamos a ir encontrando para ir profundizando en ellos de forma paulatina, de manera que lleguemos a una conclusión final que nos satisfaga a todos. En definitiva, vamos a utilizar un método muy común en matemática, el método inductivo

Así pues comenzaremos por el preguntarnos  ¿Qué son las Redes Neuronales Artificiales? Para luego volvernos a preguntar por su uso. 

Las redes neuronales artificiales (RNA) son un modelo computacional inspirado en el funcionamiento del cerebro humano, específicamente en la estructura y función de las neuronas biológicas. Estas redes están compuestas por unidades interconectadas llamadas neuronas artificiales, que procesan información mediante la transmisión de señales entre ellas. Las RNA son una herramienta fundamental en el campo del aprendizaje automático (machine learning) y la inteligencia artificial (IA), utilizadas para tareas como reconocimiento de patrones, clasificación, predicción y procesamiento de datos complejos.

Una RNA se compone de capas de neuronas interconectadas que incluyen una capa de entrada, una o más capas ocultas y una capa de salida. Las neuronas reciben un conjunto de entradas y, mediante el uso de pesos sinápticos (los pesos sinápticos permite el impulso o disparo de una señal de entrada, estos son generados de manera aleatoria en un rango de [-1,1]) que ponderan estas entradas, producen una salida a través de una función de activación. La capacidad de aprendizaje de una RNA radica en la modificación de los pesos sinápticos mencionados anteriormente durante el proceso de entrenamiento mediante algoritmos como el descenso de gradiente y la retropropagación (propagación hacia atrás de errores).

Una vez aclarado, más o menos, el concepto de RNA,, vamos ahora a centrarnos, aunque de manera somera, en un concepto matemático intrínsecamente relacionado con ella: La teoría de grafos, ya que las redes neuronales pueden ser representadas y analizadas mediante estructuras de grafos.

Pero, ¿qué es un grafo?, pues, una estructura matemática compuesta por nodos (también llamados vértices) y aristas (o bordes) que conectan dichos nodos. Los grafos se utilizan para representar y solucionar gráficamente problemas de la vida cotidiana, donde los nodos representan a los actores y las aristas representan las conexiones o interacciones entre los actores . Los grafos pueden ser dirigidos (con aristas que tienen una dirección) o no dirigidos (sin dirección específica).

En conclusión, y sin meternos en más honduras de las precisas, decir que la teoría de grafos proporciona un marco matemático para entender y diseñar redes neuronales. Al poder representar las redes neuronales como grafos, podemos aplicar conceptos como conectividad, caminos y flujos para mejorar su eficiencia y rendimiento. Esta relación es fundamental en el desarrollo de arquitecturas avanzadas dentro del campo de la Robótica y la Inteligencia Artificial fundamentalmente.

Volviendo sobre nuestros paso, se hace necesario aclarar que una red neuronal artificial se compone de capas de neuronas interconectadas, que incluyen una capa de entrada, una o varias capas ocultas y una capa de salida. Cada neurona recibe una serie de entradas, que son ponderadas por pesos sinápticos, y produce una salida mediante una función de activación. La capacidad de aprendizaje de una RNA se basa en la modificación de estos pesos durante el proceso de entrenamiento, utilizando algoritmos como el descenso de gradiente y la retropropagación.

Las RNA, en sus distintas versiones, han demostrado ser extremadamente útiles en una amplia gama de aplicaciones tales como: en el campo de la visión por ordenador, en el reconocimiento de imágenes y la detección de objetos, en el procesamiento del lenguaje natural (NLP), en la traducción automática y la generación de texto, en el diagnóstico médico, predicción financiera y control de robots, entre otros. Sin olvidar la capacidad para aprender patrones complejos a partir de grandes volúmenes de datos que las convierten en una herramienta versátil y muy poderosa en la era del big data (macro datos, datos masivos,...).

Estamos viendo, cómo las redes neuronales, una rama de la inteligencia artificial inspirada en el funcionamiento del cerebro humano, han revolucionado numerosos campos, desde la medicina hasta la industria pasando por la educación y otras muchas disciplinas. Sin embargo, su uso también plantea desafíos y dilemas éticos que deben ser abordados para garantizar un desarrollo responsable por lo que a continuación vamos a explorar algunos de los pros, los contras y sus límites éticos:

Dentro de los aspectos positivos asociados a las redes neuronales podemos destacar fundamentalmente:

a) Su alta eficiencia en tareas complejas, por cuanto son capaces de procesar grandes volúmenes de datos y realizar tareas que al ser humano le sería poco más o menos que imposible realizar en el mismo tiempo. Por ejemplo: el reconocimiento de patrones de imágenes, el procesamiento del lenguaje natural, la predicción de tendencias, el manejo de grandes volúmenes de datos numéricos (big data), etc.

b) El aprendizaje automático muestra infinitas posibilidades. Estas redes pueden aprender y mejorar con el tiempo a medida que se les proporciona más datos, lo que las hace ideales para aplicaciones dinámicas y en constante evolución. Un ejemplo muy a la mano es el sistema de reconocimiento de fraudes.

b) La automatización de procesos, libera al ser humano de labores tediosas y repetitivas y puede concentrarse en actividades más creativas y estratégicas. Las finanzas, el avance la ciencia y medicina son un claro ejemplo de ello. Las redes neuronales han contribuido a avances significativos en el diagnóstico médico, la investigación genética y el desarrollo de fármacos, permitiendo un tratamiento más personalizado y eficaz.

c) Otros...

Pero no todo es positivo, en la "viña del Señor" hay de todo un poco -o un mucho-, de ahí que, ahora toque enumerar algunos de los contras o aspectos negativos de las redes neuronales.

a) El que muchas redes neuronales, especialmente las más complejas, funcionen como "cajas negras", significa que es difícil entender cómo llegan a sus conclusiones. Esto puede ser problemático en aplicaciones críticas, como la justicia o la medicina, donde la transparencia es esencial.

b) Al depender de grandes cantidades de datos, estas redes requieren enormes volúmenes de datos para entrenarse, lo que puede plantear problemas de privacidad y seguridad. ¿De dónde lo sacan? y si además estos datos están sesgados, las redes neuronales pueden perpetuar o incluso amplificar esos sesgos. Con el riesgo que esto lleva no sólo en el campo de la desinformación sino en la creación de bulos, que en la mayoría de las ocasiones favorecen a sectores elitistas, económicos y políticos, muy específicos.

c) Es muy importante sopesar el coste tanto a nivel energético como computacional que el uso de las redes supone, ya que éste puede ser inasumible por determinados sectores de la población, lo que lleva a crear una brecha digital importante dentro de los distintos estratos sociales.

d) Asumir riegos y aportar soluciones por lo que puede suponer de pérdida de empleos tal y como ahora lo vemos dentro de los sectores manuales y rutinarios.

Se me ocurren otros muchos pero tampoco es cuestión de alargar demasiado este punto. Entiendo que el lector tiene en mente otros muchos más y a ellos recurro.

Por todo ello, y como ya es costumbre en mis escritos sobre el uso de internet, IA, robótica y nuevas tecnología en general, intentaré exponer a continuación lo que yo considero que debe suponer unos límites éticos en el uso de las redes neuronales

a) Es de vital importancia una total transparencia y responsabilidad, de tal manera que las organizaciones que desarrollan y utilizan redes neuronales deben garantizar la transparencia en sus algoritmos y ser responsables de las decisiones tomadas por estos sistemas. Esto incluye la implementación de mecanismos de controles externos e imparciales que garanticen una total transparencia.

b) La protección de la privacidad debe ser la brújula que guie a los desarrolladores y usuarios de estas redes. Mantener unas estrictas normas en el uso de los datos personales, la obtención de estos datos bajo el estricto consentimiento informado de los usuarios y garantizar su protección contra accesos no autorizados.

c) Los desarrolladores deben trabajar activamente para identificar y eliminar sesgos en los datos y algoritmos, garantizando que las redes neuronales no discriminen por razones de género, raza, religión, económicas, geográficas, u otras características personales.

d) En áreas como la justicia, la defensa o la salud, el uso de redes neuronales debe estar sujeto a supervisión humana y a marcos regulatorios claros. Las decisiones que afecten la vida de las personas no deben dejarse únicamente en manos de algoritmos.

e) Y volvemos, como no puede ser de otra manera, al punto de la sostenibilidad ambiental, ya que se hace totalmente imprescindible que las empresas y los investigadores busquen formas de reducir el impacto medio ambiental de las redes neuronales, optimizando el uso de recursos y explorando alternativas más eficientes energéticamente.

f) Por último, advertir y denunciar el mal uso. Las redes neuronales no deben utilizarse para fines dañinos, como la manipulación social masiva, la vigilancia invasiva o el desarrollo de armas cibernéticas o autónomas. Es necesario establecer y cumplir tratados internacionales y leyes que regulen su uso en contextos y situaciones.

Ya para terminar y a modo de conclusión final: "reafirmarme en que las redes neuronales son herramientas muy poderosas con un potencial casi ilimitado de transformación positiva de la sociedad en las manos adecuadas. Sin embargo, su uso debería estar regulado por unos principios éticos claros y una legislación adecuada. Solo así podremos aprovechar sus beneficios mientras minimizamos sus riesgos, asegurándonos que esta tecnología sirva al bien común y no se convierta en una fuente de injusticia o daño. La responsabilidad de que se haga un buen uso de ellas, recae tanto en los desarrolladores como en los gobiernos, las empresas y la sociedad en general. De esta manera será posible un futuro, en el que el desarrollo de nuevas tecnologías, garanticen un progreso humano en paz y justicia".

Quién sabe si este mundo no sería un poco más decente si supiéramos cómo juntar unas pocas palabras que andan por ahí sueltas. J. Saramago. "Ensayo sobre la lucidez"

FUENTES CONSULTADAS:

¡Que las Matemáticas te acompañen! Clara Grima. Edit. Ariel. 4ª Edición.

Algebra Moderna. A. Lentin y J. Rivaud. Versión española de Emilio Motilva Ylarri. Edit. Aguilar.

Tecnologías exponenciales, emergentes y convergentes. De la innovación a la transformación global de la sociedad. Instituto latinoamericano de Desarrollo Profesional Docente. Año 2024. De la colección "Inteligencia Artificial en la Educación".

Algunas imágenes han sido generadas por IA, otras extraídas de: Pixabay. Mas de un millón de imágenes gratis para descargar.

Wikipedia.

Hasta luego y suerte.

Paco Gil Pacheco (@PacoGilBarbate)