______________________________________________Redes de neuronas artificiales y pensamiento

Redes de neuronas artificiales y pensamiento

por Wintermute

Introduccin
A veces me pregunto por qu en tanta teora filosfica sobre el funcionamiento de la mente humana en los tiempos actuales no se tiene en cuenta lo averiguado por el interesantsimo campo del Conexionismo en Inteligencia Artificial; en otras palabras, las RNA o Redes de Neuronas Artificiales. Comprender el funcionamiento de estas aunque sea por encima - este es el objetivo del presente artculo - abre mucho los ojos de cara a comprender al ser humano. Al fin y al cabo, quiz entre la gente a quien nos apasiona el tema del conexionismo no slo hay un afn de producir mquinas inteligentes sino tambin el de descubrir la propia estructura del cerebro humano, la formacin de la consciencia y la razn... Como deca cierto profesor mo, "ya hemos conseguido saber como razona el ser humano, slo nos faltara saber cmo entiende". El funcionamiento de las redes de neuronas artificiales, hechas a medida de las neuronas que todos poseemos que forman las pequeas unidades de proceso a partir de las que se lleva a cabo el pensamiento, avanza imparable en paralelo con la neurobiologa. Sin embargo, an no tenemos ms que tenues pistas sobre la forma constituyente de la consciencia y los estados mentales en el ser humano. Daremos ahora una visin rpida sobre el funcionamiento de las neuronas en los seres vivos, luego pasaremos a las artificiales, y finalmente quera extraer algunas conclusiones... por lstima esto es bastante breve; en el momento estoy escribiendo un curso largo sobre redes de neuronas artificiales, que espero publicar en tiempo finito.

Una neurona natural

La neurona como elemento constituyente del cerebro y el SN, est dividida en tres partes segn su funcionalidad; el soma es receptor de informacin, de donde pasa al xon (una gua de comunicacin) y desemboca en las dendritas, el "output" que enva esa informacin a otras neuronas. Evidentemente, esto no es as de simple; una neurona no es un simple transmisor de informacin. La recibe (enviada bsicamente mediante neurotransmisores) de otras neuronas, procesa internamente esa informacin y enva el resultado a las siguientes neuronas a las que est conectado (es decir, libera estas sustancias por sus dendritas para que lleguen a stas). ___________________________________________________________________ 1

______________________________________________Redes de neuronas artificiales y pensamiento

El procesamiento que realiza la neurona consiste muy bsicamente en medir la cantidad de informacin que ha recibido y responder en consecuencia. As, es posible que no se active si hay un "input" muy bajo, o una buena cantidad de input negativo le indica que no debe activarse. Puede poseer ms activacin en caso de recibir ms neurotransmisores indicando que lo haga (con lo que enviar a su vez). Ahora bien, son estas redes de neuronas cosas conectadas con un patrn fijo? No. Hay un concepto importante, y es el que las neuronas pueden "aprender" adaptando lo que matemticamente - y ya me estoy metiendo en RNA - llamamos "pesos de conexin"... pero creo que para esto hace falta cambiarle ya el ttulo al apartado - pues queda adems ms claro al ver la modelizacin - y pasar al siguiente:

Redes de neuronas artificiales

Una RNA es muy parecida a lo que en matemtica discreta se estudia como "grafos". En el caso ms simple, cada neurona tiene una serie de variables respecto a s misma: - Estado de activacin: Lo ms simple es considerarlo "1" y "0", como on/off - Conexiones: Siguiendo el smil del grafo, estos seran los caminos (unidireccionales) que comunican la neurona con otras. - Pesos de las conexiones: Se trata de una cantidad que mide la "fuerza" de esta conexin. Multiplicado por el estado de activacin dara la cantidad numrica que se enva a otra neurona para su activacin. As, una neurona que est activada (1) conectada con un peso de (5) a otra, le enviar en trminos matemticos "5" de input. - Umbral de activacin: La cantidad de "input" necesario para activar la neurona. Para decidir si una neurona est activada o no, tenemos en cuenta su entrada. Pongamos que su umbral es "11" y que recibe de tres neuronas conectadas a ella "+4", "+9" y "-1". El resultado es "+12", lo cual supera el umbral y activa la neurona. Sin embargo, si el "input" fuera "+4" y "+5", el total sera "+9" lo cual no llega al umbral que hemos definido; la neurona destino estara por tanto con un estado "0". Con estos conceptos en mente - aunque simplificados, pues umbral y activacin pueden ser funciones, etc -, que aclaran mucho incluso las ideas sobre el funcionamiento de las redes de neuronas naturales, toca explicar lo que ms intrigante resulta; cmo aprenden estas redes ? El concepto clave es que los pesos de conexin entre neuronas pueden - y han de ser modificados. Exceptuando las redes de Hopfield, los modelos conexionistas modifican sus pesos para poder adaptarse al input recibido y al output deseado. Como ejemplo, valga un aprendizaje "supervisado": supongamos tres capas de neuronas, compuestas por 5, 5 y 2 de ellas respectivamente, y que estn conectadas la primera capa (input) con la segunda y la segunda con la tercera (que ser la de output). Esto significa que al ser la de 2 la capa final y teniendo 4 combinaciones (00,01,10,11), podemos identificar cuatro "patrones" distintos. Esto es, que quiz si activamos de la ___________________________________________________________________ 2

______________________________________________Redes de neuronas artificiales y pensamiento

primera capa las neuronas 1 y 3 obtengamos que se activa la neurona 1 de la tercera capa por el juego de activaciones/pesos en la segunda y tercera capas. Pongmonos en esa situacin, lo siguiente que pensaramos es, se trata de una respuesta correcta la del output respecto al input recibido? Si esto es as, reforzamos las conexiones que estaban activas, y disminumos las otras. Asi, la prxima vez que se presente un patrn parecido a (1,3) habr ms probabilidades de que la respuesta sea correcta, y menos de que se de esta respuesta en caso de no ser as. Tras hacer mucho estas veces, la red aprender a discriminar los patrones que le enseemos. Por supuesto que tambin hay mtodos de aprendizaje "no supervisado", en que las neuronas aprenden por s mismas; el aprendizaje competitivo es un buen ejemplo, pero tampoco entrar en detalles. Ya est claro el mtodo por el cual las RNA aprenden para adaptarse al input y realizar una respuesta correcta. De hecho, estos algoritmos han demostrado servir de maravilla para cosas como reconocimiento de caras, visin artificial... imaginemos que la capa de input de la red de neuronas fueran los pixels de una cara que se capta mediante una cmara. Entrenando a la red, se la podra hacer diferenciar rostros con una paralelizacin absoluta y una posibilidad nfima de error... ya hay bancos que confan en programas de redes de neuronas para distinguir mediante biometra de la pupila a sus clientes, lo que muestra que esto es muy efectivo.

Conclusiones
Las RNA son dos cosas; primero un intento de imitar nuestra forma de pensar, por otro lado un magnfico algoritmo basado en la paralelizacin masiva, al contrario de los sistemas informticos habituales que se basan en procesar las cosas en serie. Esa, es tambin la forma que tiene el ser humano de pensar. Muchas veces se dice que los ordenadores han superado al hombre; sin embargo no somos capaces de mantener una buena conversacin con uno, y cosas que para nosotros son tan sencillas como identificar un rostro en una multitud, para el ordenador basado en los algoritmos en serie es casi imposible. Si a nosotros nos hablan de un "animal que tiene trompa" inmediatamente pensamos en un elefante. Sin embargo, un ordenador habra de buscar recursivamenteen su base de datos sobre animales, uno por uno, hasta encontrar coincidencias. El famoso "Deep Blue" busca recursivamente puntuando las posibles jugadas que realizar en su turno al ajedrez, pero no elimina jugadas automticamente como hace el jugador humano. Es sencillo de explicar; imaginemos que tuviesemos una base de datos de 500 neuronas donde pudiesemos identificar X animales. Si se activase la neurona de entrada "tener trompa", automticamente se producira el output de que se trata de un elefante. Esto por ejemplo, es lo que hacen las redes artificiales de Hopfield. Cul es la base de nuestro pensamiento, pues?. La clasificacin de patrones, y la reaccin ante ellos. Durante todo el da estamos clasificando cosas; lo que vemos lo identificamos respecto a un concepto, utilidad, etc. Respondemos con patrones de conducta grabados a situaciones conocidas como puede ser algo tan sencillo como ir de compras. Distinguimos el estado de nimo de aquel con quien hablamos, y ___________________________________________________________________ 3

______________________________________________Redes de neuronas artificiales y pensamiento

constantemente analizamos sus gestos y palabras, dividiendolas segn los significados que implican o su entonacin. Incluso, cuando juzgamos algo como "bueno" o "malo", cuando pensamos que algo es "justo" o "injusto", no estamos ms que haciendo una clasificacin... Parndose a pensar, es fcil ver cmo la mayora de nuestra actividad responde a este funcionamiento de clasificacin de input en patrones. Eso s, imagino que an hay dos preguntas pendientes - aparte de que qu es la consciencia, la cual es casi imposible responder... de momento - que uno puede hacerse: cmo aprendemos nosotros, y qu son los sentimientos? Curiosamente, la respuesta a las dos preguntas est muy relacionada. La base del aprendizaje es el estmulo positivo/negativo; estmulos positivos refuerzan conductas mientras que los negativos disminuyen la probabilidad de que ocurran. Evidentemente, hay una pequea base gentica para determinar qu es positivo y qu negativo, que luego se complejiza enormemente hasta llegar a un punto en que estamos totalmente condicionados por nuestro ambiente. Somos capaces, incluso, de vencer "instintos" como el de supervivencia o el de reproduccin, y de tener una visin muy personal de lo que significa un estmulo positivo y uno negativo. Por ejemplo, un beb dice "mam" por primera vez. Al hacerlo simplemente es que lo ha odo unas cuantas veces, no sabe lo que significa pero est aprendiendo e imitando sonidos. De sus padres va a recibir un estmulo positivo en forma de caricias y dems, que van a reforzar esa conducta. Gracias a eso, poco a poco ir aprendiendo... si al decir una palabra los padres golpeasen al hijo, sera bastante difcil que este aprendiera a hablar :-) Y hablbamos de los sentimientos. Personalmente, pienso que es sencillo hablar de ellos como una complejizacin de este estmulo positivo/negativo, adems de otras formas fisiolgicas - simplemente +/- sera un modelo demasiado simple, y reacciones como el miedo tienen todas unas consecuencias fisiolgicas aunque muy determinadas por el aprendizaje. La primera forma en que el beb los posee es la llamada "fase del apego"; llora cuando no est su madre y se encuentra ms relajado y alegre cuando est. Todo esto va hacindose ms complejo con el aprendizaje social, y deriva en conceptos como el odio (alguien te produce un estmulo *realmente* negativo?), los celos (sensacin de poder perder un estmulo positivo?), etc. No hay ms que ver cosas propias de nuestra sociedad occidental como el "amor romntico" para darse cuenta de lo complejo que puede volver el aprendizaje social un hecho aparentemente tan simple como es la existencia de un estmulo que nos resulta agradable. Biolgicamente, se puede hablar de una serie de neurotransmisores llamados feniletilaminas que se encuentran en los sujetos "enamorados", y cuyo sndrome de abstinencia es el famoso mal de amores. Sin embargo esta forma de afecto slo est presente en ciertas sociedades (y por cierto, que las sociedades mongamas son minora en el mundo). Quiz, es que el trato social en que se oculta la afectividad hace que esta se descargue sobre la pareja cuando se tiene, realizando esa necesidad de estmulo positivo de afecto que el individuo necesita... preguntas... respuestas?

___________________________________________________________________

______________________________________________Redes de neuronas artificiales y pensamiento

En fin, podra seguir divagando sobre el tema y sus implicaciones largo rato, pero creo que ya ha quedado claro lo que quera transmitir. Que de cara a comprender al hombre sin meternos en conjeturas metafsicas, necesitamos al menos una pequea idea sobre el funcionamiento del cerebro. Y por suerte tenemos acceso a ella gracias a los avances cientficos modernos tanto en el campo de la neurobiologa y la inteligencia artificial. Por ltimo, un pequeo consejo: un interesenta libro sobre los dos niveles en los que se estudia el pensamiento que son el biolgico y el de los estados mentales, escrito por un catedrtico en neurociencia. Su autor se llama Gazzaniga, y el ttulo es "Cuestiones de la mente".

___________________________________________________________________