![\"(istock)](\"https:\/\/www.cienciacognitiva.org\/files\/2021-18-istock-ipopba.jpg\")
(istock) ipopba.<\/p><\/div>\n
El aprendizaje autom\u00e1tico basado en redes neuronales artificiales ha propiciado el reciente auge de la inteligencia artificial. Sin embargo, no es f\u00e1cil explicar la toma de decisiones de estos modelos, lo que puede conllevar problemas \u00e9ticos, legales y de adopci\u00f3n de la tecnolog\u00eda. La Cognici\u00f3n Artificial aprovecha los m\u00e9todos de la ciencia cognitiva para explicar la toma de decisiones de los sistemas m\u00e1s complejos de interpretar de la inteligencia artificial.<\/em><\/p>\n <\/p>\n [Versi\u00f3n en pdf]<\/a><\/p>\n Las redes neuronales artificiales no siguen la l\u00f3gica de programaci\u00f3n tradicional de sistemas expertos en la que se indica expl\u00edcitamente en qu\u00e9 condiciones de entrada (\u201cinput\u201d) se debe devolver un resultado (\u201coutput\u201d) en funci\u00f3n de una base de conocimiento y una serie de reglas. Aprenden por s\u00ed mismas de la experiencia (aprendizaje supervisado, aprendizaje por refuerzo) mediante entrenamiento, y son capaces de descubrir estructuras complejas en datos que var\u00edan en muchas dimensiones. Su rendimiento es comparable o superior al humano en tareas que hasta hace poco no eran computables. Han revolucionado campos como la visi\u00f3n por ordenador o el procesamiento del lenguaje natural y se aplican hoy d\u00eda al reconocimiento de objetos, el diagn\u00f3stico m\u00e9dico, la conducci\u00f3n aut\u00f3noma, la detecci\u00f3n del fraude o el an\u00e1lisis de tendencias y compras.<\/p>\n Estas redes est\u00e1n formadas por nodos (neuronas artificiales) organizados en capas y conexiones entre ellas. Cada conexi\u00f3n, en una analog\u00eda con las sinapsis de un cerebro biol\u00f3gico, transmite informaci\u00f3n en forma de \u201cse\u00f1al\u201d a otras neuronas. La se\u00f1al en una conexi\u00f3n dada es un n\u00famero y la salida de cada neurona se calcula mediante alguna funci\u00f3n no lineal de la suma de sus entradas. Las conexiones tienen un peso que se ajusta a medida que avanza el aprendizaje gracias a un algoritmo de retropropagaci\u00f3n (Figura 1).<\/p>\n Figura 1.- Figura esquematizada de una red neuronal artificial. Durante un entrenamiento para la clasificaci\u00f3n de im\u00e1genes de objetos, al modelo se le presenta una imagen (input), de la que crea un vector de entrada. Tras propagar la informaci\u00f3n por la red, en \u00faltimo lugar produce una salida en forma de vector de puntuaciones, el cual identifica las categor\u00edas de objetos que queremos que reconozca. Inicialmente, la red clasifica al azar. Para que la red aprenda, es necesario computar el grado de error (o distancia) entre la salida de la red y el patr\u00f3n de puntuaciones correcto. Entonces, el modelo utiliza un algoritmo de retropropagaci\u00f3n para ajustar los pesos de las conexiones entre los nodos, de modo que el error se reduzca durante el entrenamiento.<\/p><\/div>\n El n\u00famero de capas y par\u00e1metros de las redes neuronales profundas ha ido creciendo con el desarrollo continuo de nuevas arquitecturas de software. Cada capa de estas redes representa el conocimiento extra\u00eddo de los datos de aprendizaje a niveles progresivamente m\u00e1s abstractos. As\u00ed, el entrenamiento genera representaciones intermedias, subsimb\u00f3licas, y las unidades internas pueden representar propiedades como l\u00edneas horizontales, pero tambi\u00e9n elementos m\u00e1s complejos, o m\u00e1s complejos de definir, de la estructura de una imagen.<\/p>\n Las redes neuronales artificiales son una \u201ccaja negra\u201d. Al refinarse a s\u00ed mismas a lo largo del aprendizaje, toman decisiones bas\u00e1ndose en par\u00e1metros que el programador no ha definido y no puede deducir mediante la observaci\u00f3n del resultado o el c\u00f3digo de la red. Dos redes con id\u00e9ntica arquitectura se pueden comportar de manera diferente en funci\u00f3n del valor de los pesos aleatorios de inicio o de los datos de aprendizaje.<\/p>\n![\"Figura](\"https:\/\/www.cienciacognitiva.org\/files\/2021-18-f1-e.jpg\")
![\"Figura](\"https:\/\/www.cienciacognitiva.org\/files\/2021-18-f2-e.png\")