El despedido de los humanos

como todos saben las redes neuronales utilizan las capacidades de aprendizaje para su funcionamiento, tomando eso en cuenta se lograría llegar asta un punto que una maquina remplazaría completamente a una persona en su trabajo, pero en estos momentos sucede que las maquinas han remplazado a personas en sus trabajos.

Pero se habla de un punto que se puede tomar en cuenta, que es el aprendizaje de las maquinas con este aprendizaje ellas lograran sustituir trabajos que se necesite mano dura, ingenio, corazón, etc. Lo que se trata de  decir es que aprenderán los trucos de los humanos tratando de ser igual a sus creadores, incluso ir contra nosotros.

(1:1) WALL-E película de disney pixar
estrenada en junio del 2008

un ejemplo podria ser la película (WALL-E como se muestra en la imagen 1:1) es una película donde se puede encontrar como los robots o maquinas llegan a tener sentimientos incluso ir en contra de sus creadores por sus creencias o una simple orden superior. 

las redes y predicción del tiempo

los equipos de las universidades de Alcalá (UAH) y complutense de Madrid (UCM), han ideado un método para predecir la velocidad del viento en aerogeneradores (como señala la imagen 1:1) de parques eólicos.

este método se basa en el uso conjunto de métodos de predicción meteorológica y redes neuronales artificiales, puede permitir calcular la producción de energía en los parques eólicos con 2 días de antelación.

“El objetivo del método híbrido que hemos desarrollado es predecir la velocidad del viento en cada uno de los aerogeneradores de un parque eólico”, explica a SINC Sancho Salcedo, ingeniero de la Escuela Politécnica Superior de la UAH y coautor del estudio, publicado on line en la revista (Renewable Energy).

(1:1) parque eólico: salcedo et al.

Para poder desarrollar este método, los científicos han de la información que facilita (Global Forecasting System), un modelo global de predicción del Centro Nacional de Predicción Ambiental de EE UU. Los datos de este sistema cubren toda la Tierra con una resolución de aproximadamente 100 kilómetros, y son de acceso libre en internet. 

Los investigadores logran más detalle en la predicción integrando también el llamado ‘modelo de meso-escala de quinta generación’ (MM5), del Centro Nacional de Investigación Atmosférica de EE UU, y pensado para mejorar la resolución hasta 15x15 kilómetros.

“Esta información todavía no es suficiente para predecir la velocidad del viento en un aerogenerador concreto, y por eso aplicamos redes neuronales artificiales”, aclara Salcedo. Estas redes son sistemas automáticos de aprendizaje y procesamiento de información que simulan el funcionamiento del sistema nervioso de los animales. En este caso utilizan los datos de temperatura, presión atmosférica y velocidad del viento que suministran los modelos de predicción, así como los que recogen los propios aerogeneradores.

Con estos datos, y una vez “entrenado el sistema”, se facilitan predicciones sobre la velocidad del viento con una antelación de entre una y 48 horas. Los parques eólicos están obligados por ley a facilitar estas previsiones a Red Eléctrica Española, la empresa que transporta la electricidad y opera el sistema eléctrico español.

Salcedo indica que la aplicación es inmediata: “Si se conoce la predicción de velocidad de viento en un aerogerador, se puede estimar su producción de energía, y por lo tanto, sumando las predicciones en cada ‘aero’, se puede predecir la producción de un parque eólico completo”. La metodología ya se ha aplicado “con muy buenos resultados” en el parque eólico de La Fuensanta, en Albacete.

Se pueden ahorrar millones de euros

Los investigadores continúan mejorando el método, y recientemente han propuesto la utilización de varios modelos de predicción global en lugar de uno sólo, según han publicado este año en la revista Neurocomputing. De esta forma se obtienen varios conjuntos de entrenamiento, que después se aplican a bancos de redes neuronales para obtener una predicción más precisa de la velocidad del viento en los aerogeneradores.

Los resultados obtenidos muestran una mejora en la predicción de un poco más del 2% respecto al modelo anterior. “Aunque pueda parecer un pequeño avance, en realidad es muy considerable, ya que estamos hablando de una mejora en la predicción de producción de energía que puede significar millones de euros”, concluye Salcedo.

computación neuronal

Bien, hasta aquí hemos visto que las máquinas pueden imitar comportamientos humanos para un gran número de tareas. De hecho, incluso pueden aplicarse algoritmos de aprendizaje que, para ciertas tareas como el spam, dan muy buenos resultados. La siguiente cuestión entonces es ¿pueden las máquinas pensar tal y como lo hacemos los humanos?

La naturaleza nos ha dotado con un sistema de cómputo basado en una enorme red de neuronas. Si las máquinas pudieran simular tal sistema de cómputo ¿no estarían entonces en condiciones de pensar tal y como lo hacemos las personas?

En primer lugar, pensemos qué es una neurona. Una neurona está formada por el cuerpo celular y diferentes prolongaciones: el axón, por el que transitan los impulsos nerviosos o potenciales de acción desde el cuerpo celular hacia la siguiente célula, y la/s dendritas, con número y estructura variable según el tipo de neurona, y que transmiten los potenciales de acción desde las neuronas adyacentes hacia el cuerpo celular. Se podría decir que las dendritas son entradas y el axón es la salida.

Ahora bien, ¿cómo se decide si tras recibir entradas se produce o no una salida, y qué salida se produce? Pues bien, la salida es la suma ponderada de las entradas seguida de una función umbral. Esto puede parecer un diodo: si el potencial de las entradas alcanza un cierto valor, entonces se produce la salida, y sino no. Sin embargo, difiere en ser ponderado. Se refiere a que no todos los valores de las entradas van a tener la misma importancia de cara a decidir si se produce o no la salida.

Si nuestra neurona no es más que un diodo con entradas ponderadas, entonces juntando unos diodos con otros en forma de red ¿hará el tipo de procesos que realizamos los humanos como, por ejemplo, aprender? Es curioso que para aprender solo es necesaria una neurona, y el aprendizaje consiste en modificar el valor de los pesos (la importancia de cada entrada) aplicando un algoritmo a nuestro valor de salida. ¿Y cual será ese algoritmo? Un psicólogo llamado Donald O. Hebb enunció una regla que dice que "las conexiones que unen diferentes neuronas que se encuentran activas en un instante dado se fortalecen". Se refiere a que si la neurona está transmitiendo, las entradas que están activas tendrán más importancia de la que ya tenían. Y esto es más ó menos la esencia de la computación neuronal, especialmente la no supervisada (que no requiere de un tutor), y esta es la que nos encontramos en la naturaleza.

Pero en la práctica las redes neuronales artificiales no han creado en las máquinas comportamientos similares a los de las personas. Sin embargo, lo cierto es que los problemas que tradicionalmente son más complejos para las máquinas (visión artificial, reconocimiento del habla, etc.), se resuelven mejor utilizando redes neuronales que mediante otras perspectivas simbólicas.

La computación neuronal tiene como tarea genérica la clasificación. Por ejemplo, pensemos que queremos averiguar en qué imágenes está Wally y en qué imágenes no. Nuestras entradas serían las intensidades RGB de cada pixel de cada una de las imágenes, y tendría una única salida que nos diría si está o no.

Las redes neuronales tienen un modelo inherentemente distribuido, puesto que un procesador puede simular una neurona. Así mismo, son autoprogramables. La programación pasa por elegir un número de neuronas, las conexiones entre las mismas, un número de salidas, un número de entradas y una configuración inicial de pesos. Después bastaría con alimentarla correctamente y, si el aprendizaje es supervisado, darle la adecuada re alimentación humana.

Como siempre, para profundizar recomiendo jugar con el software libre disponible. Lo que he encontrado ha sido Fast Artificial Neural Network Library (fann), Genesis y, aunque no totalmente libre, también creo importante destacar SNNS.
Finalizar diciendo que, si bien los algoritmos de redes neuronales no son otra cosa que algoritmos de aprendizaje automático, debido a las implicaciones filosóficas que tienen he decidido tratarlo aparte.