Última revisión:
¿Qué es una red neuronal artificial? Definición sencilla y tipos (CNN, RNN, transformer)
Una red neuronal artificial es un modelo de cálculo formado por pequeñas unidades interconectadas, las neuronas artificiales, organizadas en capas: cada neurona combina sus entradas según unos pesos y transmite una señal a la capa siguiente. El aprendizaje consiste en ajustar automáticamente esos pesos, a partir de ejemplos, hasta que la red produce las respuestas correctas.
La definición oficial francesa (Journal officiel del 9 de diciembre de 2018) habla de un «conjunto de neuronas artificiales interconectadas que constituye una arquitectura de cálculo». La neurona artificial es un dispositivo con varias entradas y una salida: multiplica cada entrada por un peso, lo suma todo y aplica una función no lineal, a menudo un umbral. El modelo se remonta a 1943: Warren McCulloch y Walter Pitts describen una neurona que hace una suma ponderada de señales binarias. Frank Rosenblatt propone en 1957 el perceptrón, primera red capaz de aprender sus pesos, publicado en 1958. Una red apila capas: una capa de entrada (los píxeles de una imagen, las palabras de un texto), capas ocultas y una capa de salida (la respuesta). Los pesos son los parámetros del modelo; un gran modelo de lenguaje tiene miles de millones. El entrenamiento ajusta esos pesos mediante retropropagación, método demostrado en 1986 por Rumelhart, Hinton y Williams: se mide el error en la salida y se corrige cada peso en el sentido que lo reduce. Una red con muchas capas pertenece al deep learning. Dominan tres grandes familias. Las redes convolucionales (CNN), desarrolladas por Yann LeCun a finales de los años ochenta, analizan imágenes. Las redes recurrentes (RNN), entre ellas el LSTM de 1997, procesan secuencias como el habla. El transformer, publicado en 2017, las ha sustituido en gran medida para el lenguaje. La imagen del cerebro sigue siendo una analogía: una neurona artificial no es más que una operación matemática.
Ejemplo concreto
Caso ilustrativo: un despacho francés de contabilidad de 60 personas procesa 15 000 facturas de proveedores al mes para sus clientes. Su solución de registro automático encadena dos redes neuronales. Una red convolucional lee la imagen escaneada y localiza las zonas de texto. Un modelo de tipo transformer interpreta ese texto y extrae el proveedor, la fecha, la base imponible y el IVA. Los colaboradores solo revisan las facturas en las que el sistema señala una duda. El despacho nunca ve los pesos del modelo: evaluó la solución con una muestra de sus propias facturas antes de adoptarla y mide la tasa de error cada trimestre.
Comparación
| Perceptrón multicapa | Red convolucional (CNN) | Red recurrente (RNN, LSTM) | Transformer | |
|---|---|---|---|---|
| Origen | Perceptrón (1957-1958), entrenamiento multicapa (1986) | Yann LeCun, finales de los años ochenta | LSTM de Hochreiter y Schmidhuber (1997) | Investigadores de Google, 2017 |
| Principio | Capas totalmente conectadas | Filtros que recorren la imagen por zonas | Lectura secuencial con memoria | Atención: cada elemento pondera todos los demás |
| Datos adecuados | Datos en tabla, problemas pequeños | Imágenes, vídeo | Habla, series temporales, texto | Texto, código, imágenes, audio |
| Uso en la empresa | Scoring, clasificación sencilla | Control de calidad, lectura de documentos | Previsión, reconocimiento de voz (históricamente) | Asistentes de IA generativa, traducción, extracción |
Preguntas frecuentes
¿Qué es una red neuronal, en pocas palabras?
Es un programa formado por miles o miles de millones de pequeñas unidades de cálculo conectadas entre sí y organizadas en capas. Cada unidad hace una operación sencilla: pondera lo que recibe y transmite el resultado. En conjunto, y tras entrenarse con ejemplos, pueden reconocer una imagen o comprender un texto.
¿Cómo funciona una red neuronal?
Los datos entran por la primera capa, atraviesan las capas ocultas, donde cada neurona combina sus entradas según unos pesos, y salen por la capa de salida. Durante el entrenamiento se compara la salida con la respuesta correcta y se ajustan los pesos para reducir el error (retropropagación), millones de veces.
¿Qué es una red neuronal convolucional (CNN)?
Es una red especializada en imágenes. Desliza pequeños filtros sobre la imagen para detectar patrones locales (contornos, texturas) y después formas cada vez más complejas. Desarrolladas por Yann LeCun a finales de los años ochenta, las CNN se usan en reconocimiento de imágenes, control de calidad y lectura de documentos.
¿Cuál es la diferencia entre CNN, RNN y transformer?
La CNN analiza las imágenes por zonas. La RNN lee una secuencia elemento a elemento conservando una memoria, lo que conviene al habla o a las series temporales. El transformer, publicado en 2017, procesa toda la secuencia a la vez gracias al mecanismo de atención: es la base de los modelos de lenguaje actuales.
¿Cuál es la diferencia entre red neuronal y deep learning?
La red neuronal es la herramienta; el deep learning es el enfoque que usa redes con muchas capas. Una red pequeña con una sola capa oculta es una red neuronal, pero no se habla de deep learning.
¿Funciona una red neuronal como el cerebro?
Solo por analogía. La neurona artificial se inspira en la biológica, pero no es más que una operación matemática: una suma ponderada seguida de una función. Una red neuronal no piensa ni comprende en sentido humano; detecta regularidades estadísticas en sus datos.
Ver también
Para profundizar
Fuentes
- Vocabulaire de l'intelligence artificielle, definiciones oficiales francesas de «neurone artificiel» y «réseau de neurones artificiels», Journal officiel n.º 0285 del 9 de diciembre de 2018. https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000037783813
- Scientific Background to the Nobel Prize in Physics 2024 (McCulloch y Pitts 1943, Rosenblatt 1957, retropropagación 1986, CNN, LSTM), Comité Nobel de Física. https://www.nobelprize.org/uploads/2024/09/advanced-physicsprize2024.pdf
- Fathers of the Deep Learning Revolution Receive ACM A.M. Turing Award (retropropagación, redes convolucionales), ACM. https://awards.acm.org/about/2018-turing
- Intelligence artificielle, de quoi parle-t-on ? (explicabilidad de las redes neuronales), CNIL. https://www.cnil.fr/fr/intelligence-artificielle/intelligence-artificielle-de-quoi-parle-t-on