Inteligencia Artificial en la Robótica basada en las Redes Neuronales

          Ante algunas preguntas frecuentes como: ¿Por qué no podemos construir un robot que piense por si solo?, así como el esperar que las maquinas sean capaces de realizar millones de operaciones por segundo siendo capaces por ejemplo de entender el significado de las formas en imágenes visuales, distinguiendo entre distintas clases de objetos similares. Es aquí cuando surge como respuesta a esto, “La Inteligencia Artificial”, quien a través de las redes neuronales, hará q estas mismas maquinas puedan aprender a partir de experiencias en lugar de repetir indefinidamente un conjunto explicito de instrucciones generales por un programador humano. Dado que las maquinas convencionales son evidentemente poco adecuados para este tipo de problemas, vamos a tomas ciertas características de la filosofía del cerebro humano con base para nuestros modelos de procesamiento. Por tanto estas técnicas han recibido el nombre de Sistemas Neuronales Artificiales (ANS), según Delgado [1998] y Stuart [1996,] siendo posible a través de estas que los robots puedan interpretar tramas complejos. 

          A grandes rasgos, se recordara que el cerebro humano se compone de decenas de billones de neurona interconectadas entre si formando circuitos o redes que desarrollas funciones especificas. La estructura fundamental de una neurona típica, se encuentra formada por: las dendritas, el cuerpo de la célula y un único axón. El axón de muchas neuronas esta rodeado por una membrana que se denomina Vaina de Mielina, la sinapsis conecta el axón de la neurona con las dendritas de otras neuronas. 

La estructura de las neuronas ANS, son la trasmisión de algunas ideas tomadas de la neurobiología siendo esta la base de los modelos ANS. El cell body (cuerpo de la célula), viene hacer la unidad de procesamiento de esta neurona artificial, las dendritas que se encuentran llevando la información hacia el cuerpo de la célula y el axón que conduce la única salida de esta neurona artificial. Según Herrera Fernadez, las neuronas se moldean mediante unidades de proceso, caracterizadas por una función de actividades que convierte al entrada total recibida de otras unidades en un valor se salida, el cual hace la función de tasa de disparo de la neurona. Según Herrera Fernandez¹, las neuronas se modelan mediante unidades de proceso, caracterizadas por una función de actividades que convierte la entrada total recibida de otras unidades en un valor de salida, el cual hace la función de tasa de disparo de la neurona. Las conexiones sinápticas se simulan mediante conexiones ponderadas, la fuerza o peso de la conexión cumple el papel de la efectividad de la sinapsis. Las conexiones determinan si es posible que una unidad influya sobre otra. Una unidad de proceso recibe varias entradas procedentes de las salidas de otras unidades de proceso de entrada total de una unidad de proceso y se suele calcular como la suma de todas las entradas ponderadas, es decir, multiplicadas por el peso de la conexión. 

          El efecto inhibitorio o excitatorio de la sinapsis se logra usando pesos negativos o positivos respectivamente. Las redes neuronales deben tener como estructura varias capas las cuales son: primera capa como buffer de entrada, almacenamiento de la información bruta suministrada en la red o realizando un sencillo proceso de la misma, la llamamos tapa de entrada; otra capa actúa como interfaz o buffer que almacena la respuesta de la red para que pueda ser leída, la llamamos capa de salida; y las capaz intermedias, principales encargadas de extraer, procesar y memorizar la información se denominan capas ocultas. Las RNA han sido aplicadas a un numero en aumento de problemas en la vida real y de considerable complejidad, donde su mayor ventaja es en la solución de problemas que son bastante complejos para la tecnología actual, tratándose de problemas que no tienen una solución algorítmica cuya solución algorítmica es demasiado compleja para ser encontrada. En general, debido a que son parecidas al las del cerebro humano, las RNA son bien nombradas ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras no. Estos problemas incluyen el reconocimiento de patrones y la predicción del tiempo. De cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional, y compensaciones. Las redes neuronales son más que otra forma de emular ciertas características propias de los humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atención aquellos problemas que no pueden expresarse a través de un algoritmo, se observará que todos ellos tienen una característica en común: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. Así, parece claro que una forma de aproximarse al problema consista en la construcción de sistemas que sean capaces de reproducir esta característica humana. 

          En definitiva, las redes neuronales no son más que un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red neuronal es "un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona". Todos los procesos del cuerpo humano se relacionan en alguna u otra forma con la (in)actividad de estas neuronas. Las mismas son un componente relativamente simple del ser humano, pero cuando millares de ellas se conectan en forma conjunta se hacen muy poderosas. También, es bien conocido que los humanos son capaces de aprender. Aprendizaje significa que aquellos problemas que inicialmente no pueden resolverse, pueden ser resueltos después de obtener más información acerca del problema. 

Por lo tanto, las Redes Neuronales: 

· Consisten de unidades de procesamiento que intercambian datos o información. 

· Se utilizan para reconocer patrones, incluyendo imágenes, manuscritos y secuencias de tiempo, tendencias financieras. 

· Tienen capacidad de aprender y mejorar su funcionamiento.