Aprendizaje con redes neuronales

El desarrollo de lo que se ha llamado IA (Inteligencia Artificial), ha ido abarcando diferentes campos del conocimiento y la tecnología, y ahora se está relacionando con el aprendizaje por experiencia. Un equipo liderado por Robin Tibor Schirrmeister y Tonio Ball, de la Universidad de Friburgo en Alemania, ha elaborado un software que se basa en modelos inspirados en el cerebro, que ha demostrado ser muy útil para decodificar varias clases de señales naturales, como los sonidos fonéticos. Este programa es la base de un sistema que permite a las computadoras una forma de aprendizaje intuitivo similar al de la inteligencia humana. 

Estos científicos han ideado y probado un algoritmo con capacidad de autoaprendizaje, que decodifica las señales cerebrales humanas captadas mediante electroencefalogramas (EEG). Entre estas señales descifradas se incluyen las de tipo motoras, vinculadas a movimientos físicos realizados por la persona, y también las de movimientos de manos y pies que solo se pensaron, o inclusive aquellas de la rotación imaginaria de objetos. A pesar de que el algoritmo no recibió información sobre ninguna característica con antelación, funciona tan rápidamente y de forma tan precisa como los sistemas tradicionales diseñados para entender el significado de ciertas señales cerebrales predeterminadas y actuar en consecuencia.

Este proceso de aprendizaje se conoce como ConvNets profundos, es decir, aprendizaje profundo con redes neuronales convolucionales y ha revolucionado la visión por ordenador a través de un aprendizaje de extremo a extremo, es decir, aprender de los datos en bruto. Existe un interés creciente en el uso de ConvNets profundos para el análisis de EEG en extremos, buscando una mejor comprensión de cómo diseñar y entrenar ConvNets para la descodificación de EEG. Así se pueden visualizar las características EEG informativas que el aprendizaje de ConvNets todavía necesita. Todo esto para mejorar los algoritmos en desarrollo.

El nuevo algoritmo que permite este modo de aprendizaje tiene muchas aplicaciones. Por ejemplo, podría utilizarse para una detección temprana de ataques epilépticos. También podría emplearse para mejorar las posibilidades de comunicación en pacientes gravemente paralizados (incapaces de hablar y de realizar otros movimientos corporales de comunicación) o para realizar algunos diagnósticos neurológicos automáticos. Como el programa permite que él mismo aprenda, todo lo que se descubra se puede aplicar de inmediato.

Como base de esta investigación está el estudio de las redes neuronales artificiales. Lo más notable del programa es que el sistema que lo emplea aprende a reconocer y diferenciar en seguida entre ciertos patrones de comportamiento a partir de varios movimientos, sin necesidad de una programación formal previa específica. El modelo está basado en las conexiones entre las células nerviosas en el cuerpo humano, en las que las señales eléctricas de las sinapsis son dirigidas desde las protuberancias celulares hasta el núcleo de la célula y de nuevo de vuelta. Esta es una nueva aproximación a la IA y a la manera cómo las computadoras pueden aprender.