POR QUE LAS REDES NEURONALES ARTIFICIALES SON UNA HERRAMIENTA TAN PODEROSA??

Investigador del IPN imparte charla con alumnos de Ingeniería e investigadores del IIT.

Este día, en punto de las 18:00 horas, el doctor Juan Humberto Sosa Azuela, jefe del Laboratorio de robótica y mecatrónica del Centro de Investigación en Computación, del Instituto Politécnico Nacional (IPN), impartió la conferencia ¿Por qué las redes neuronales artificiales son una herramienta tan poderosa?

La convocatoria tuvo lugar en el Edificio H1 del Instituto de Ingeniería y Tecnología (IIT) de la Universidad Autónoma de Ciudad Juárez, a donde acudieron alumnos de ingeniería y algunos investigadores de este campus.

El doctor Sosa Azuela es considerado un amigo de casa, ya que desde 2010 atiende diversas actividades en esta institución formativa.

En esta ocasión, viene a atender dos asuntos; impartir esta plática de ¿Por qué las redes neuronales artificiales son una herramienta tan poderosa? Y a presentar junto con uno de sus pares de aquí de la misma universidad dos libros: uno sobre inteligencia artificial y sus aplicaciones a la robótica y la automatización y otro que tiene que ver con cuestiones de realidad aumentada.

¿Qué es una red neuronal artificial? “Una red neuronal artificial es un arreglo de paralelo y masivamente distribuido en pequeños procesadores que les llamamos neuronas artificiales, que al interconectarse entre ellas nos permiten, precisamente, a través de la técnica de aprendizaje, ajustar los parámetros de esa red neuronal para que aproxime una función dada”.

Al cuestionarle por qué las redes neuronales artificiales son tan poderosas, menciona que, precisamente, por su aproximación desde un punto de vista matemático, a cualquier función.

Y lo matiza en dos ejemplos.

“Por ejemplo, si usted quiere hacer la predicción de un dato, si quiere saber si una moneda en particular sube o baja de precio, entonces con un conjunto de datos lo suficientemente grande usted puede aproximar la función que le permite precisamente predecir si esa moneda, por ejemplo el peso, va a subir o va a bajar.

Otra aplicación, por ejemplo, es… si usted, en este momento a través de una cámara está observando un árbol, se pregunta ¿el siguiente segundo voy a estar observando ese árbol sí o no?, entonces la respuesta debería ser un sí, pero el sistema entonces está prediciendo que precisamente yo en el siguiente segundo o en el siguiente instante de tiempo voy a seguir percibiendo un árbol.

Entonces esos son dos ejemplos de funciones, una que depende de una variable que es el tiempo y otra que depende de muchas variables que son el tiempo y los colores de los objetos que están presentes en las imágenes”.