Graph neural network: un paso más allá en el apre­n­di­za­je profundo

En el de­sa­rro­llo de la in­te­li­ge­n­cia ar­ti­fi­cial, el proceso de apre­n­di­za­je es fu­n­da­me­n­tal. El apre­n­di­za­je au­to­má­ti­co y, en especial, el apre­n­di­za­je profundo se utilizan para enseñar al software a pensar de forma in­de­pe­n­die­n­te, en­tre­na­n­do sus al­go­ri­t­mos. Por ejemplo, la primera te­c­no­lo­gía se aplica en el re­co­no­ci­mie­n­to facial. Muchos enfoques del apre­n­di­za­je au­to­má­ti­co se basan en redes neu­ro­na­les ar­ti­fi­cia­les, en las que los al­go­ri­t­mos del software están diseñados como una red de nodos que imita el sistema nervioso humano. Un nuevo enfoque son las llamadas graph neural networks, o redes neu­ro­na­les gráficas. ¿En qué consiste esta te­c­no­lo­gía?

Las graph neural networks o GNN (en español, redes neu­ro­na­les gráficas) son una nueva forma de redes neu­ro­na­les ar­ti­fi­cia­les (ar­ti­fi­cial neural networks) basadas en grafos. Para co­m­pre­n­der las GNN, primero debes saber qué se entiende por grafo en el ámbito de la in­fo­r­má­ti­ca, en que el término se refiere a una forma concreta de es­tru­c­tu­rar los datos: un grafo consta de varios puntos de datos (nodos, o vertices en inglés) que están co­ne­c­ta­dos entre sí (mediante bordes, o edges en inglés) y, por lo tanto, forman pares. Lo verás más claro con este ejemplo: la persona A y la persona B pueden re­pre­se­n­tar­se como puntos en un grafo. Si están co­ne­c­ta­dos, significa que hay alguna relación entre ellos. Si se eliminan las co­ne­xio­nes, solo queda un conjunto de personas o datos.

El árbol es una forma bien conocida de grafo. En esta es­tru­c­tu­ra, los nodos están co­ne­c­ta­dos de modo que solo existe una ruta (que puede recorrer varios nodos) entre el punto A y el punto B. Los bordes pueden seguir una dirección o ninguna. En un grafo, las re­la­cio­nes son tan im­po­r­ta­n­tes como los propios datos. Tanto a los bordes como a los nodos se les pueden asignar atributos.

Por lo tanto, el grafo resulta ideal para re­pre­se­n­tar co­n­di­cio­nes reales, lo que, pre­ci­sa­me­n­te, es uno de los retos del apre­n­di­za­je profundo: lograr que el software pueda co­m­pre­n­der las co­n­di­cio­nes naturales. Esto es justo lo que hace una graph neural network, donde los nodos recopilan in­fo­r­ma­ción de los nodos vecinos, porque estos in­te­r­ca­m­bian mensajes entre sí re­gu­la­r­me­n­te. De esta manera, la graph neural network es capaz de aprender: los datos se tra­n­s­mi­ten y se in­co­r­po­ran a las pro­pie­da­des del nodo co­rre­s­po­n­die­n­te.

Hasta ahora, los cie­n­tí­fi­cos se han centrado pri­n­ci­pa­l­me­n­te en in­ve­s­ti­gar las po­si­bi­li­da­des de las graph neural networks, pro­po­nie­n­do apli­ca­cio­nes de lo más diversas. En general, utilizar las GNN tiene sentido cuando se deben re­pre­se­n­tar mediante redes neu­ro­na­les si­tua­cio­nes o procesos en que las re­la­cio­nes de­sem­pe­ñan un papel im­po­r­ta­n­te.

• Mercado fi­na­n­cie­ro: co­m­pre­n­die­n­do las tra­n­sac­cio­nes, es posible obtener una previsión de mercado más fiable.
• Motores de búsqueda: para valorar la im­po­r­ta­n­cia de las páginas web, es básico tener en cuenta los enlaces entre las páginas.
• Redes sociales: co­m­pre­n­der las re­la­cio­nes entre las personas puede ayudar a optimizar las redes sociales.
• Química: la co­m­po­si­ción de las moléculas puede mostrarse en grafos y, por lo tanto, tra­n­s­fe­ri­r­se a las GNN.
• Co­no­ci­mie­n­to: co­m­pre­n­der cómo se relaciona la in­fo­r­ma­ción es fu­n­da­me­n­tal para re­pre­se­n­tar co­rre­c­ta­me­n­te el co­no­ci­mie­n­to.

Las graph neural networks también se utilizan en el re­co­no­ci­mie­n­to de imágenes y del habla. En algunas ci­r­cu­n­s­ta­n­cias, la in­fo­r­ma­ción natural no es­tru­c­tu­ra­da puede ser procesada mejor por las GNN que por las redes neu­ro­na­les tra­di­cio­na­les.

Las graph neural networks ayudan a lidiar con los retos que, hasta ahora, las redes neu­ro­na­les tra­di­cio­na­les no han podido superar, o al menos en parte. En el pasado, los datos basados en grafos no podían pro­ce­sar­se co­rre­c­ta­me­n­te, porque las re­la­cio­nes entre los datos no se po­n­de­ra­ban lo su­fi­cie­n­te. Con las GNN, los llamados bordes son tan im­po­r­ta­n­tes como los propios nodos.

Sin embargo, las graph neural networks no pueden resolver todos los problemas que conllevan las redes neu­ro­na­les. En pa­r­ti­cu­lar, es probable que siga surgiendo el problema de la caja negra: es difícil entender cómo una red neuronal (gráfica) toma la decisión final, ya que los procesos internos basados en los al­go­ri­t­mos complejos apenas pueden co­m­pre­n­de­r­se desde el exterior.