Fee­d­fo­r­wa­rd Neural Network o las redes neu­ro­na­les pre­ali­me­n­ta­das

Las Fee­d­fo­r­wa­rd Neural Network (FNN) son redes neu­ro­na­les simples que solo tra­n­s­mi­ten in­fo­r­ma­ción de una capa a la siguiente superior. Se dividen en redes de una sola capa (Single-Layer-FNN) y de múltiples capas (Multi-Layer-FNN), y tienen di­fe­re­n­tes áreas de apli­ca­ción en el campo del deep learning.

¿Qué es una Fee­d­fo­r­wa­rd Neural Network (FNN)?

Una Fee­d­fo­r­wa­rd Neural Network (FNN) es una red neuronal que está formada por neuronas ar­ti­fi­cia­les y funciona co­m­ple­ta­me­n­te sin re­tro­ali­me­n­ta­ción. Este tipo de red se considera una forma de red neuronal ar­ti­fi­cial pa­r­ti­cu­la­r­me­n­te sencilla, ya que actúa siempre y ex­clu­si­va­me­n­te hacia delante. Las Fee­d­fo­r­wa­rd Neural Network profundas son un elemento im­po­r­ta­n­te para la creación de modelos en el campo del deep learning y la in­te­li­ge­n­cia ar­ti­fi­cial. En función del número de capas (o layers en inglés) que se utilicen, se distingue entre Single-Layer-FFN y Multi-Layer-FFN.

¿Cómo funciona una Fee­d­fo­r­wa­rd Neural Network?

Como cualquier red neuronal ar­ti­fi­cial, la Fee­d­fo­r­wa­rd Neural Network, también conocida como red neuronal pre­ali­me­n­ta­da, se inspira en última instancia en el cerebro humano. Este último también procesa la in­fo­r­ma­ción a través de una red neuronal. La FNN también consiste al menos de dos capas: una capa de entrada (input layer) y una capa de salida (output layer). Entre ellas, puede haber cualquier número de capas adi­cio­na­les (hidden layers). Cada capa está conectada ex­clu­si­va­me­n­te a la capa siguiente. Esta conexión se crea mediante los llamados bordes. En una Fee­d­fo­r­wa­rd Neural Network, toda la in­fo­r­ma­ción fluye en una sola dirección, es decir, desde la capa de entrada hasta la capa de salida.

• Input layer : la capa de entrada recibe todos los datos que se in­tro­du­cen en la Fee­d­fo­r­wa­rd Neural Network. Cada neurona de esta capa co­rre­s­po­n­de a una propiedad de los datos de entrada.
• Hidden layers: puede haber capas ocultas entre las capas de entrada y salida. Cada una de estas capas está formada por varias neuronas que se conectan tanto a la capa de entrada como a la de salida.
• Output layer: la capa de salida emite el resultado final de la Fee­d­fo­r­wa­rd Neural Network.

En una Fee­d­fo­r­wa­rd Neural Network o red neural pre­ali­me­n­ta­da, se realizan una serie de entradas en la input layer. Las neuronas de esta capa reciben la in­fo­r­ma­ción y la ponderan. A co­n­ti­nua­ción, la tra­n­s­mi­ten a la capa de salida en una Single-Layer-FFN o, de forma previa, a las capas ocultas en una Multi-Layer-FNN. Si la in­fo­r­ma­ción entra en la zona de las capas ocultas, se vuelve a ponderar allí. Sin embargo, como este pro­ce­sa­mie­n­to no es visible, se habla de una capa oculta. Por último, las neuronas de la capa de salida emiten como resultado la in­fo­r­ma­ción procesada.

Close

A lo largo del proceso, las di­fe­re­n­tes in­fo­r­ma­cio­nes po­n­de­ra­das se suman en cada paso. A co­n­ti­nua­ción, se utiliza un valor umbral para de­te­r­mi­nar si una neurona debe tra­n­s­mi­tir la in­fo­r­ma­ción o no. Este valor suele ser cero o Null. En una Fee­d­fo­r­wa­rd Neural Network, no hay co­ne­xio­nes de retroceso entre las distintas capas, sino que solo existe una conexión con la capa in­me­dia­ta­me­n­te superior.

¿Cuáles son los ámbitos de apli­ca­ción más im­po­r­ta­n­tes?

Existen numerosos posibles campos de apli­ca­ción para las Fee­d­fo­r­wa­rd Neural Network. Es­pe­cia­l­me­n­te cuando se trata de procesar y conectar grandes ca­n­ti­da­des de datos no es­tru­c­tu­ra­dos, estas redes ofrecen numerosas ventajas. Estos son algunos posibles ámbitos de uso:

• Re­co­no­ci­mie­n­to y pro­ce­sa­mie­n­to del lenguaje: las redes Fee­d­fo­r­wa­rd Neural Network pueden uti­li­zar­se para convertir texto en lenguaje hablado o viceversa, es decir, convertir lenguaje hablado en texto.
• Re­co­no­ci­mie­n­to y pro­ce­sa­mie­n­to de imágenes: es posible analizar imágenes e ide­n­ti­fi­car de­te­r­mi­na­das ca­ra­c­te­rí­s­ti­cas. Por ejemplo, se pueden di­gi­ta­li­zar notas escritas a mano.
• Cla­si­fi­ca­ción: mediante una Fee­d­fo­r­wa­rd Neural Network, es posible cla­si­fi­car datos en función de unos pa­rá­me­tros definidos.
• Pre­di­c­ción: las redes neu­ro­na­les pre­ali­me­n­ta­das también son adecuadas para predecir aco­n­te­ci­mie­n­tos o te­n­de­n­cias con una buena precisión. Se pueden utilizar, por ejemplo, en la previsión me­teo­ro­ló­gi­ca o en diversos sistemas de alerta temprana en los ámbitos del control de ca­tá­s­tro­fes, la na­ve­ga­ción espacial y la defensa.
• Detección de fraudes: las redes Fee­d­fo­r­wa­rd Neural Network también pueden de­sem­pe­ñar un papel im­po­r­ta­n­te en la ide­n­ti­fi­ca­ción de ac­ti­vi­da­des o patrones frau­du­le­n­tos.

¿En qué se di­fe­re­n­cia de una Recurrent Neural Network (RNN)?

Lo opuesto a una Fee­d­fo­r­wa­rd Neural Network es la Recurrent Neural Network (RNN), también conocida como red neuronal re­cu­rre­n­te. Aunque funciona de forma similar y transmite in­fo­r­ma­ción a través de las neuronas desde la capa inicial a la final, esta última también puede enviarla de vuelta. En una red de este tipo, se almacenan co­ne­xio­nes a través de las cuales la in­fo­r­ma­ción pasa por las capas hacia atrás y luego de nuevo hacia delante. De esta manera, la red cuenta con bucles de re­tro­ali­me­n­ta­ción, donde se pueden almacenar datos.

Este tipo de redes se utilizan sobre todo cuando el contexto es im­po­r­ta­n­te para encontrar re­su­l­ta­dos. Esto es es­pe­cia­l­me­n­te útil en el tra­ta­mie­n­to de textos: por ejemplo, un banco puede referirse a una in­s­ti­tu­ción fi­na­n­cie­ra, un asiento alargado o incluso un conjunto de peces. El sentido correcto solo se puede de­te­r­mi­nar a través del contexto. En cambio, las redes Fee­d­fo­r­wa­rd Neural Network no disponen de este tipo de al­ma­ce­na­mie­n­to.