Cuando James Cameron en 1984 nos alertó sobre los riesgos de una futura rebelión de las máquinas dirigidas por la inteligencia artificial de Skynet, se estaba basando en cierto modo (consciente o inconscientemente) en conceptos como aprendizaje automático (más conocido como machine learning), propuesto por el informático Arthur Samuel en 1959. Mientras que el procesamiento tradicional se basa en seguir una serie de instrucciones estáticas (fijas) previamente programadas, los sistemas inteligentes se basan en algoritmos que se auto-modifican (o aprenden) de forma dinámica en función de la información que van recibiendo. Esta idea le sirvió a la ciencia-ficción para confundir la capacidad de auto-aprendizaje con la consciencia.

En las últimas décadas, la inteligencia artificial ha evolucionado dando lugar a diversos campos de investigación que incluyen, entre otras propuestas, las redes neuronales. Estas redes, inspiradas en las estructuras de procesamiento del cerebro humano, son especialmente apropiadas para aplicaciones como visión artificial, reconocimiento de voz, traducción automática o conducción autónoma.

En general, la información recibida por una red neuronal se propaga a través de una serie de capas de neuronas (donde cada neurona es una unidad básica de procesamiento) interconectadas entre sí y proporcionando un resultado final (o decisión) a la salida de la última capa. Cada interconexión entre dos neuronas de la red se caracteriza por un determinado peso que pondera la información que circula por ella (podemos entender el peso como un factor que multiplica la información que se transmite entre ambas neuronas), de forma que cuando la red modifica esos pesos siguiendo un cierto criterio decimos que está aprendiendo.

Aprendizaje supervisado o no supervisado

El aprendizaje se puede llevar a cabo de forma supervisada o no supervisada. En los algoritmos de entrenamiento supervisados, le proporcionamos a la red una serie de datos de entrenamiento junto con el resultado esperado tras procesarlos. De este modo, la red ajusta sus propios pesos para obtener dichos resultados. Sin embargo, en el aprendizaje no supervisado la propia red se auto-organiza a partir de los datos que recibe sin ninguna directriz externa, lo que resulta muy útil cuando queremos que la red resuelva problemas cuya solución desconocemos.

En el Grupo de Sistemas Neuromórficos del Instituto de Microelectrónica de Sevilla (IMSE) trabajamos en la implementación hardware de redes neuronales convolucionales (ConvNets) y en métodos de aprendizaje automático no supervisado para aplicaciones de reconocimiento de visión. Las ConvNets son un tipo particular de redes neuronales caracterizado por un conjunto reducido de conexiones entre capas de neuronas, lo cual facilita su implementación hardware.

Mientras que en una red genérica cada neurona de una capa se conecta con todas las neuronas de la capa siguiente, en una red convolucional cada neurona de una capa se conecta solamente a un subconjunto de neuronas de la siguiente capa mediante un campo proyectivo. Este comportamiento se puede describir mediante la operación matemática de la convolución.

En los próximos años, esperamos incrementar la capacidad de auto-aprendizaje de las redes neuronales artificiales de forma no supervisada, a partir únicamente de los estímulos recibidos, aunque todavía parece lejana aquella distopía en la que las máquinas tomen consciencia de sí mismas y traten de destruir el mundo. Por desgracia, en cuanto a la capacidad de destrucción del mundo tal y como lo conocemos, los humanos partimos de una posición bastante avanzada con respecto a las máquinas.