2017

Redes Neuronales

CURSO: Sistemas Inteligentes

INTEGRANTES:
Chipana Vilavila, Ericka
Huanqui Aguilar, Carmen
Mamani Choquehuanca, Bianca
Tapia Sanga, Pamela

DOCENTE:
Ing. Julio Ramos Quispe
2 REDES NEURONALES

CONTENIDO

INTRODUCCIN.......................................................................................3

CONCEPTOS GENERALES.........................................................................3

CONCEPTO...........................................................................................3

REDES NEURONALES ARTIFICIALES......................................................3

Ventajas de la red neuronal artificial.................................................3

elementos bsicos que componen una red neuronal...........................3

comparacin de una neurona biolgica con una artificial....................3

aprendizaje, validacin y codificacin.....................................................3

NIVeles o capas de una red neuronal...................................................3

tipos de neuronas artificiales...............................................................3

PRINCIPALES TOPOLOGIAs.......................................................................3

aplicaciones.............................................................................................3

aplicaciones de las redes neuronales...................................................3

A. Asociacin y clasificacin..........................................................4

B. Regeneracin de patrones........................................................5

C. Regeneracin y generalizacin.................................................5

D. Optimizacin.............................................................................5

ALGUNOS EJEMPLOS.............................................................................5

Algunos ejemplos.................................................................................5

Cmo funciona el Im not a RoboT?.................................................7

Conclusiones.........................................................................................10

BIBLIOGRAFA........................................................................................10
 REDES NEURONALES
3 REDES NEURONALES

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
4 REDES NEURONALES

REDES NEURONALES
INTRODUCCIN

Las redes neuronales son ms que otra forma de emular ciertas

caractersticas propias de los humanos, como la capacidad de
memorizar y de asociar hechos. Si se examinan con atencin aquellos
problemas que no pueden expresarse a travs de un algoritmo, se
observar que todos ellos tienen una caracterstica en comn: la
experiencia. El hombre es capaz de resolver estas situaciones
acudiendo a la experiencia acumulada.

CONCEPTOS GENERALES

CONCEPTO
Es un procesamiento distribuido masivamente paralelo que tiene una
tendencia natural para almacenar conocimiento emprico y hacerlo
disponible para el uso.

REDES NEURONALES ARTIFICIALES

Denominadas habitualmente como RNA o en ingls como ANN son un
paradigma de aprendizaje y procesamiento automtico inspirado en la
forma en que funciona el sistema nervioso de los animales.
Se trata de un sistema de interconexin de neuronas en una red que
colabora para producir un estmulo de salida.
Por ejemplo, son capaces de aprender de la experiencia, de generalizar
de casos anteriores a nuevos casos, de abstraer caractersticas
esenciales a partir de entradas que representan informacin irrelevante

VENTAJAS DE LA RED NEURONAL ARTIFICIAL

Aprendizaje Adaptativo: Capacidad de aprender a realizar tareas

basadas en un entrenamiento o en una experiencia inicial.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
5 REDES NEURONALES

Auto-organizacin: Una red neuronal puede crear su propia

5 organizacin o representacin de la informacin que recibe
mediante una etapa de aprendizaje.
Tolerancia a fallos: La destruccin parcial de una red conduce a
una degradacin de su estructura; sin embargo, algunas
capacidades de la red se pueden retener, incluso sufriendo un
gran dao.
Operacin en tiempo real: Los cmputos neuronales pueden ser
realizados en paralelo; para esto se disean y fabrican mquinas
con hardware especial para obtener esta capacidad.
Fcil insercin dentro de la tecnologa existente: Se pueden
obtener chips especializados para redes neuronales que mejoran
su capacidad en ciertas tareas. Ello facilitar la integracin
modular en los sistemas existentes.

ELEMENTOS BSICOS QUE COMPONEN UNA RED NEURONAL

COMPARACIN DE UNA NEURONA BIOLGICA CON UNA ARTIFICIAL

APRENDIZAJE, VALIDACIN Y CODIFICACIN

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
6 REDES NEURONALES

NIVELES O CAPAS DE UNA RED NEURONAL

6
Se pueden distinguir tres tipos de capas:

De entrada: Es la capa que recibe directamente la informacin

proveniente de las fuentes externas de la red.
Ocultas: Son internas a la red y no tienen contacto directo con el
entorno exterior. El nmero de niveles ocultos puede estar entre
cero y un nmero elevado. Las neuronas de las capas ocultas
pueden estar interconectadas de distintas maneras, lo que
determina, junto con su nmero, las distintas topologas de redes
neuronales.
De salidas: Transfieren informacin de la red hacia el exterior.

TIPOS DE NEURONAS ARTIFICIALES

Las neuronas artificiales se pueden clasificar de acuerdo a los
valores que pueden tomar
a- Neuronas binarias: Solamente pueden tomar valores dentro del
intervalo {0, 1} o {-1, 1}
b- Neuronas reales: Pueden tomar valores dentro del rango [0, 1]
o [-1, 1]. Los pesos normalmente no estn restringidos a un cierto
intervalo, aunque para aplicaciones especficas puede ser esto
necesario.

TCNICAS DE DECISIN

En general, el proceso de decisin puede ser caracterizado como se

muestra en el siguiente diagrama:

Ejemplo: Si uno desea determinar si un cliente, el cual est

preguntando por la solicitud de un crdito, es un buen candidato (lo que
significa que es confiable, o sea, que puede devolver el crdito

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
7 REDES NEURONALES

solicitado), se podran tomar en consideracin variables o atributos

7 como antecedentes de crditos, pasivo, garantas y ganancias.
tales
Las variables o atributos pertenecientes a un cliente especfico son las
entradas al proceso de decisin. El resultado de tal proceso podra ser
una decisin similar a la siguiente: cliente bueno o cliente malo.

Abreviacin Nombre Valores

A1 Historia de Mala
crditos Desconocida
A2 Pasivo Alto
Bajo
A3 Garanta Ninguna
Adecuada
A4 Ganancia 1 (baja)
2(adecuada)
3 (alta)

Lo mismo ocurre cuando se utiliza una red neuronal como un sistema

de sostn de decisiones. La salida de la red neuronal es directa o
indirectamente la solucin al problema o la decisin a tomar. Por
ejemplo: si uno desea determinar si un cliente, el cual est
preguntando por la solicitud de un crdito, es un buen candidato (lo que
significa que es confiable, o sea, que puede devolver el crdito
solicitado), se podran tomar en consideracin variables o atributos
tales como antecedentes de crditos, pasivo, garantas y ganancias.
Las variables o atributos pertenecientes a un cliente especfico son las
entradas al proceso de decisin. El resultado de tal proceso podra ser
una decisin similar a la siguiente: cliente bueno o cliente malo.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
8 REDES NEURONALES

Dentro de esta base de datos yace el procedimiento de decisin, o en

otras palabras, la regla de decisin que conforma las bases para el
problema de decisin: puntaje para un crdito.

MECANISMOS DE APRENDIZAJE:

Se ha visto que los datos de entrada se procesan a travs de la red

neuronal con el propsito de lograr una salida. Tambin se dijo que las
redes neuronales extraen generalizaciones desde un conjunto
determinado de ejemplos anteriores de tales problemas de decisin.
Una red neuronal debe aprender a calcular la salida correcta para cada
constelacin (arreglo o vector) de entrada en el conjunto de ejemplos.
Este proceso de aprendizaje se denomina: proceso de entrenamiento o
acondicionamiento. El conjunto de datos (o conjunto de ejemplos) sobre
el cual este proceso se basa es, por ende, llamado: conjunto de datos
de entrenamiento.

Si la topologa de la red y las diferentes funciones de cada neurona

(entrada, activacin y salida) no pueden cambiar durante el
aprendizaje, mientras que los pesos sobre cada una de las conexiones
si pueden hacerlo; el aprendizaje de una red neuronal significa:
adaptacin de los pesos.

En otras palabras el aprendizaje es el proceso por el cual una red

neuronal modifica sus pesos en respuesta a una informacin de

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
9 REDES NEURONALES

entrada. Los cambios que se producen durante el mismo se reducen a

la 9 destruccin, modificacin y creacin de conexiones entre las
neuronas. En los sistemas biolgicos existe una continua destruccin y
creacin de conexiones entre las neuronas. En los modelos de redes
neuronales artificiales, la creacin de una nueva conexin implica que
el peso de la misma pasa a tener un valor distinto de cero. De la misma
manera, una conexin se destruye cuando su peso pasa a ser cero.

Durante el proceso de aprendizaje, los pesos de las conexiones de la

red sufren modificaciones, por lo tanto, se puede afirmar que este
proceso ha terminado (la red ha aprendido) cuando los valores de los
pesos permanecen estables.

Un aspecto importante respecto al aprendizaje de las redes neuronales

es el conocer cmo se modifican los valores de los pesos, es decir,
cules son los criterios que se siguen para cambiar el valor asignado a
las conexiones cuando se pretende que la red aprenda una nueva
informacin.

Hay dos mtodos de aprendizaje importantes que pueden distinguirse:

a- Aprendizaje supervisado.
Se caracteriza porque el proceso de aprendizaje se realiza mediante
un entrenamiento controlado por un agente externo (supervisor,
maestro) que determina la respuesta que debera generar la red a
partir de una entrada determinada. El supervisor controla la salida
de la red y en caso de que sta no coincida con la deseada, se
proceder a modificar los pesos de las conexiones, con el fin de
conseguir que la salida obtenida se aproxime a la deseada.

En este tipo de aprendizaje se suelen considerar, a su vez, tres

formas de llevarlo a cabo, que dan lugar a los siguientes
aprendizajes supervisados:
1) Aprendizaje por correccin de error.
2) Aprendizaje por refuerzo.
3) Aprendizaje estocstico.

b- Aprendizaje no supervisado.

Las redes con aprendizaje no supervisado (tambin conocido como

autosupervisado) no requieren influencia externa para ajustar los pesos
de las conexiones entre sus neuronas. La red no recibe ninguna
informacin por parte del entorno que le indique si la salida generada
en respuesta a una determinada entrada es o no correcta.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
10 REDES NEURONALES

Estas redes deben encontrar las caractersticas, regularidades,

10
correlaciones o categoras que se puedan establecer entre los datos
que se presenten en su entrada.

Existen varias posibilidades en cuanto a la interpretacin de la salida de

estas redes, que dependen de su estructura y del algoritmo de
aprendizaje empleado.

En algunos casos, la salida representa el grado de familiaridad o

similitud entre la informacin que se le est presentando en la entrada
y las informaciones que se le han mostrado hasta entonces (en el
pasado). En otro caso, podra realizar una clusterizacin (clustering) o
establecimiento de categoras, indicando la red a la salida a qu
categora pertenece la informacin presentada a la entrada, siendo la
propia red quien debe encontrar las categoras apropiadas a partir de
las correlaciones entre las informaciones presentadas.

En cuanto a los algoritmos de aprendizaje no supervisado, en general

se suelen considerar dos tipos, que dan lugar a los siguientes
aprendizajes:

1) Aprendizaje hebbiano.

2) Aprendizaje competitivo y comparativo.

DETENCIN DEL PROCESO DE APRENDIZAJE.

Para determinar cundo se detendr el proceso de aprendizaje, es

necesario establecer una condicin de detencin.

Normalmente el entrenamiento se detiene cuando el clculo del error

cuadrado sobre todos los ejemplos de entrenamiento ha alcanzado un
mnimo o cuando para cada uno de los ejemplos dados, el error
observado est por debajo de un determinado umbral. Ya que para
controlar este proceso, la mayor parte de las herramientas de las redes
neuronales muestran estos errores utilizando grficos especiales; los
cuales no son utilizados para el aprendizaje, si no que solamente para
dar un indicio del proceso en s mismo.

Otra condicin de detencin del aprendizaje puede ser cuando un

cierto nmero de ciclos y/o pasos de entrenamiento hayan sido
completamente corridos.

RESUMEN DE LOS PROCEDIMIENTOS DE CODIFICACIN

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
11 REDES NEURONALES

11

VALIDACION DE LA RED NEURONAL

Despus del proceso de entrenamiento los pesos de las conexiones en

la red neuronal quedan fijos. Como paso siguiente se debe comprobar si
la red neuronal puede resolver nuevos problemas, del tipo general, para
los que ha sido entrenada. Por lo tanto, con el propsito de validar la
red neuronal se requiere de otro conjunto de datos, denominado
conjunto de validacin o testeo.

Cada ejemplo del conjunto de evaluacin contiene los valores de las

variables de entrada, con su correspondiente solucin tomada; pero
ahora esta solucin no se le es otorgada a la red neuronal. Luego se
compara la solucin calculada para cada ejemplo de validacin con la
solucin conocida.

CUESTIONES A RESOLVER AL TRABAJAR CON UNA RED NEURONAL.

Muchos problemas aparecen cuando se trabaja con redes neuronales.

Primeramente se debe analizar el dominio del problema y decidir a que

clase pertenece. Luego debe decidirse si una red neuronal es adecuada
para resolver dicho problema. Esto es lo que se llama: etapa preliminar.
Concluida esta etapa, las siguientes preguntas han de responderse:

a. Origen de datos
b. Preparacin y codificacin de los datos.
c. Topologa de la red.
d. Decisiones concernientes al proceso de aprendizaje.

PRINCIPALES TOPOLOGIAS

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
12 REDES NEURONALES

La topologa o arquitectura de una red neuronal consiste en la

12
organizacin y disposicin de las neuronas en la misma, formando
capas o agrupaciones de neuronas ms o menos alejadas de la entrada
y salida de dicha red.

Redes monocapa: Se establecen conexiones entre las neuronas que

pertenecen a la nica capa que constituye la red.

Redes multicapa: son aquellas que disponen de un conjunto de

neuronas agrupadas en varios niveles o capas.

Redes de propagacin hacia atrs: El nombre de backpropagation

resulta de la forma en que el error es propagado hacia atrs a travs de
la red neuronal

Asociaciones entre la informacin de entrada y salida

Redes heteroasociativas : Al asociar informaciones de entrada con

diferentes informaciones de salida, precisan al menos de dos
capas, una para captar y retener la informacin de entrada y otra
para mantener la salida con la informacin asociada
Redes autoasociativas: Asocia una informacin de entrada con el
ejemplar ms parecido de los almacenados conocidos por la red.

APLICACIONES

APLICACIONES DE LAS REDES NEURONALES

Las redes neuronales pueden utilizarse en un gran nmero y variedad

de aplicaciones, tanto comerciales como militares.

Se pueden desarrollar redes neuronales en un periodo de tiempo

razonable, con la capacidad de realizar tareas concretas mejor que
otras tecnologas. Cuando se implementan mediante hardware (redes
neuronales en chips VLSI), presentan una alta tolerancia a fallos del
sistema y proporcionan un alto grado de paralelismo en el
procesamiento de datos. Esto posibilita la insercin de redes
neuronales de bajo coste en sistemas existentes y recientemente
desarrollados.

Hay muchos tipos diferentes de redes neuronales; cada uno de los

cuales tiene una aplicacin particular ms apropiada. Algunas
aplicaciones comerciales son:

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
13 REDES NEURONALES

Aprender ms acerca del cerebro y otros sistemas.

13 Biologa
Obtencin de modelos de la retina.
Evaluacin de probabilidad de formaciones
Empresa
geolgicas y petrolferas.
Identificacin de candidatos para posiciones
especficas.
Explotacin de bases de datos.
Optimizacin de plazas y horarios en lneas de
vuelo.
Optimizacin del flujo del trnsito controlando
convenientemente la temporizacin de los
semforos.
Reconocimiento de caracteres escritos.
Modelado de sistemas para automatizacin y
control
Analizar tendencias y patrones.
Medio
Previsin del tiempo.
ambiente
Previsin de la evolucin de los precios.
Finanzas
Valoracin del riesgo de los crditos.
Identificacin de falsificaciones.
Interpretacin de firmas.
Robots automatizados y sistemas de control
Manufactur
(visin artificial y sensores de presin,
acin
temperatura, gas, etc.).
Control de produccin en lneas de procesos.
Inspeccin de la calidad.
Analizadores del habla para ayudar en la audicin
Medicina
de sordos profundos.
Diagnstico y tratamiento a partir de sntomas y/o
de datos analticos (electrocardiograma,
encefalogramas, anlisis sanguneo, etc.).
Monitorizacin en cirugas.
Prediccin de reacciones adversas en los
medicamentos.
Entendimiento de la causa de los ataques
cardacos.
Clasificacin de las seales de radar.
Militares
Creacin de armas inteligentes.
Optimizacin del uso de recursos escasos.
Reconocimiento y seguimiento en el tiro al blanco.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
14 REDES NEURONALES

El dominio de aplicacin de las redes neuronales tambin se lo puede

14
clasificar de la siguiente forma: asociacin y clasificacin, regeneracin
de patrones, regresin y generalizacin, y optimizacin.

A. ASOCIACIN Y CLASIFICACIN.

En esta aplicacin, los patrones de entrada estticos o seales

temporales deben ser clasificadas o reconocidas. Idealmente, un
clasificador debera ser entrenado para que cuando se le presente una
versin distorsionada ligeramente del patrn, pueda ser reconocida
correctamente sin problemas. Esto es fundamental en las
aplicaciones hologrficas, asociativas o regenerativas.

B. REGENERACIN DE PATRONES.

En muchos problemas de clasificacin, una cuestin a solucionar es la

recuperacin de informacin, esto es, recuperar el patrn original dada
solamente una informacin parcial. Hay dos clases de problemas:
temporales y estticos. El uso apropiado de la informacin contextual
es la llave para tener xito en el reconocimiento.

C. REGENERACIN Y GENERALIZACIN.

El objetivo de la generalizacin es dar una respuesta correcta a la salida

para un estmulo de entrada que no ha sido entrenado con
anterioridad. El sistema debe inducir la caracterstica saliente del
estmulo a la entrada y detectar la regularidad. Tal habilidad para el
descubrimiento de esa regularidad es crtica en muchas aplicaciones.
Esto hace que el sistema funcione eficazmente en todo el espacio,
incluso cuando ha sido entrenado por un conjunto limitado de
ejemplos.

D. OPTIMIZACIN.

Las Redes Neuronales son herramientas interesantes para la

optimizacin de aplicaciones, que normalmente implican la
bsqueda del mnimo absoluto de una funcin de energa. Para
algunas aplicaciones, la funcin de energa es fcilmente deducible;
pero en otras, sin embargo, se obtiene de ciertos criterios de coste y
limitaciones especiales.

ALGUNOS EJEMPLOS

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
15 REDES NEURONALES

ALGUNOS
15 EJEMPLOS

Quizs uno de los ejemplos ms populares en la actualidad, es la

aplicacin fotogrfica Prisma, que recientemente salt a la fama por
ofrecernos los mejores filtros artsticos que hemos visto a la fecha. De
la nada, Prisma poda imitar el estilo de varios artistas, o darle a
nuestras fotos un look de ilustracin.

Esto lo consigue a travs de redes neuronales. Prisma se alimenta de

informacin de millones de fotografas, para poder definir qu cosa es
qu en una imagen. Es decir, sabe el contexto de la foto. Piensen en
una aplicacin fotogrfica cualquiera; lo que hace usualmente, es hacer
los clculos necesarios para aplicar un filtro a toda la imagen, de
acuerdo a los parmetros que nosotros establecemos, verdad?

En cambio Prisma acta diferente. Prisma no aplica un filtro encima de

la foto y nos la entrega, sino que construye una imagen nueva en base
a la informacin dada. Coge nuestra foto y detecta que se trata de un
paisaje, por ejemplo, o de un retrato. Luego, en base al estilo
seleccionado, aplica esta informacin y genera una imagen nueva,
de cero, en un lienzo vaco. Por eso los resultados son tan
diferentes, tan especiales con Prisma. No se trata de una capa de
pintura o filtro encima de la foto; es una imagen construida desde
cero, por redes neuronales.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
16 REDES NEURONALES

16

Otro claro ejemplo, es el que Google recientemente implement en su

app Google Translate para mviles, que ha implementado traduccin
neuronal que, en lugar de traducir palabra por palabra, lo hace frase
por frase, mejorando enormemente la consistencia y calidad de las
traducciones. El resultado, gracias a la aplicacin de redes neuronales
a Google Translate es, segn Barak Turovsky, product lead, una
mejora tan sustancial que ha mejorado ms con este salto, que en los
ltimos 10 aos combinados. De momento, las redes neuronales para
traduccin se aplican a 8 idiomas: Alemn, Francs, Espaol, Portugus,
Chino, Japons, Coreano y Turco.

Este es tan slo un par de ejemplos recientes de la aplicacin visible de

redes neuronales (o Inteligencia Artificial) a aplicaciones a las que
nosotros, como consumidores finales, tenemos acceso. Gracias al
creciente poder computacional, adems de la creciente recoleccin de
informacin de gigantes como Google, es que estas redes neuronales,
ahora, cuenta con la data o informacin necesaria, adems del poder
computacional para poder procesarlas. Por eso estamos viendo tantos
avances en ello. Se han preguntado cmo Google Photos, por ejemplo,

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
17 REDES NEURONALES

hace tan buen trabajo en detectar el contexto de nuestras fotos? Cmo

17 que estamos en un concierto, en una montaa, que esa foto que
sabe
tomamos es de una cerveza, o de una copa de vino? Cmo identifica
rostros de personas, a pesar de que estas personas estn de perfil, en
un segundo plano? Todo esto es gracias a las redes neuronales. Y la
aplicacin y utilidad de las mismas, se ir ampliando.

CMO FUNCIONA EL IM NOT A ROBOT?

Recuerdan cuando la web estaba poblada de los molestos captchas,
donde tenamos que introducir palabras que, incluso como humanos,
nos costaba leer.

El CAPTCHA se utiliza como un mtodo de proteccin para websites

para evitar ser invadido por bots. Muchas veces, por diferentes
razones, personas malintencionadas pueden empezar a crear miles o
millones de cuentas a un servicio que no cuente con proteccin ante
ello. Para eso sirve el CAPTCHA, como una verificacin de que somos
humanos, que podemos discernir texto que una mquina difcilmente
podra leer. El problema es que en muchas ocasiones, incluso como
humanos, no podemos leerlo.

Sin embargo, en la web hemos visto cmo un cuadro de CAPTCHA como

el de arriba ha sido reemplazado por uno ms sencillo, uno que
simplemente tiene un check, al costado de la frase Im Not a Robot,
o No soy un robot. Le damos click, y listo! Acceso concedido.

CAPTCHA viene de Completely Automated Public Turing Test to tell

Computers and Humans Apart. Si, nada bueno el acrnimo, pero en
espaol, implica un test pblico de Turing para discernir entre robots y
computadoras (el Test de Turing se realiza frecuentemente contra
inteligencia artificial). Aqu podemos descubrir Cmo funciona el Im Not
a Robot.
Escuela Profesional de Ingeniera Industrial
 REDES NEURONALES
18 REDES NEURONALES

El problema de estos tests, es que la inteligencia artificial y el poder

18
computacional han mejorado tanto en estos ltimos aos, que incluso
para pruebas como los antiguos Captchas, las computadoras son hasta
ms capaces para deducir lo que est escrito aqu, por ejemplo:

Pero entonces, por qu un test ms sencillo, como el clickear en Im not a

Robot, es ms efectivo que estar tratando de deducir texto borroso o
difcil de leer?

Resulta que nosotros, como humanos, dejamos un gran rastro de

informacin en nuestra PC, como la direccin IP (nmero que identifica
a nuestra computadora), y cookies o galletas, que quedan
almacenadas en nuestra PC y sirven para, por ejemplo, mantener
nuestra sesin de Facebook activa, o permitir a los anunciantes conocer
un poco de nuestros hbitos de navegacin. Esto es utilizado por
Google, los responsables del nuevo CAPTCHA, para detectar que no se
trata de una computadora maliciosa, sino de un usuario comn y
corriente. Una computadora o bot programado para simplemente
intentar acceder a websites mostrara un comportamiento totalmente
diferente, un historial totalmente diferente. Google tambin utiliza
pistas tan sutiles como la manera en la que el mouse se mueve antes
de clickear en Im Not a Robot, pues un script, una computadora,
tendra un camino mucho ms directo, que el movimiento al azar,
errtico, tpico de un ser humano.

Esta coleccin de pequeas pistas ayuda al botn de Captcha a

diferenciar entre humano y robot. El truco del nuevo botn de Captcha
no es dificultar ms la prueba, sino acumular una serie de evidencias
que hace el trabajo mucho ms difcil para un bot, de engaar al
CAPTCHA.

El proceso ha mejorado, pero no es perfecto. Para esos casos en los que

el CAPTCHA no logra recolectar suficiente evidencia de
nuestra HUMANIDAD, se nos presenta un test. Uno mucho ms sencillo
para nosotros, humanos, pero uno infinitamente ms complicado para
un bot.

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
19 REDES NEURONALES

Aqu, el test nos est pidiendo que identifiquemos imgenes como

19
esta.

Noten que ni siquiera se menciona al gato, sino que simplemente, se

muestra una imagen de un gato. Nosotros, como seres humanos y por
cultura general, sabemos que se trata de un gato y podemos
rpidamente identificar entre gatos, perros, conejos y plantas para
pasar el test en un par de segundos.

Pero para un bot? El proceso es muchsimo ms complejo. En primer

lugar, tendra que pasar un proceso de reconocimiento de imagen para
poder definir a qu se refiere el test con esta (porque nunca se
menciona que es un gato, que facilitara el proceso). Esto implica
entonces pasar esta imagen en una base de datos de imgenes o red
neuronal). Con suerte y tras un gran esfuerzo, quizs la mquina
detecte que se trata de un gato. Y entonces, tendra que pasar cada
una de las imgenes mostradas adicionalmente por la misma red
neuronal para poder hacer el intento de diferenciar entre un gato y un
conejo; o un gato y un perro. Las computadoras son maravillosas a la
hora de procesar vastas cantidades de informacin, pero son

Escuela Profesional de Ingeniera Industrial

 REDES NEURONALES
20 REDES NEURONALES

totalmente incapaces de razonar, lo cual hace de este, un proceso

20
sumamente tedioso y complicado de resolver para una computadora.

Ah es, pues, donde cae la genialidad de este nuevo sistema de

Captchas. En lugar de complicar la prueba, se ha buscado una manera ms
eficiente de proteger nuestra informacin, al recopilar informacin sobre nuestro
comportamiento, para dificultarle el test no a todos, sino a los que se
quiere dar pase.

Este sistema de CAPTCHA empez a implementarse por Google en el

2013, pero hemos visto una rpida expansin en casi todas las pginas
web importantes porque no slo funciona mejor sino, lo ms
importante, es mucho ms sencillo y menos tedioso para nosotros, los
humanos que queremos hacer uso de estos servicios. As es, pues cmo
funciona el Im Not a Robot

CONCLUSIONES
Las redes neuronales artificiales han permitido abstraer
caractersticas esenciales a partir de entradas que representan
informacin irrelevante para que mediante un sistema de
interconexin de neuronas produzcan un estmulo de salida.
La inteligencia artificial se lograr a travs de sistemas que
combinan el aprendizaje con la representacin razonamientos
complejos. El futuro de la inteligencia artificial estar marcado
por computadoras con un alto sentido comn e intuicin.
Los avances de las redes neuronales han tenido un impacto
directo en la industria tecnolgica actual, y sus aplicaciones van
desde deteccin de peatones, etiquetado semntico de
imgenes, reconocimiento del habla, vehculos con conduccin
autnoma, diseo de frmacos y un largo nmero de
aplicaciones.
Uno de los retos por superar en los algoritmos de redes
neuronales de aprendizaje profundo son la comprensin definitiva
del lenguaje natural, para poder comprender frases y documentos
completos.

BIBLIOGRAFA

https://www.arturogoga.com/redes-neuronales-que-son-y-como-
funcionan/
https://aiexperiments.withgoogle.com/
https://www.arturogoga.com/como-funciona-el-im-not-a-robot-el-
boton-dede-recaptcha/
Escuela Profesional de Ingeniera Industrial
 REDES NEURONALES
21 REDES NEURONALES

https://medium.com/espanol/avances-en-redes-neuronales-
21
705c2efe53d2
http://www.elconfidencial.com/tecnologia/2017-01-29/el-padre-de-
las-redes-neuronales-las-inteligencias-artificiales-colonizaran-la-
via-lactea_1322693/
http://neuralnetworksanddeeplearning.com/chap1.html

Escuela Profesional de Ingeniera Industrial