Redes Neuronales

Las redes neuronales son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos.

En este blog se presentan los principales modelos de redes neuronales, describe usos habituales en la empresa de estos modelos y expone un ejemplo práctico de su utilización, concretamente un modelo de predicción de quiebras de empresa a partir de información financiera.

• ¿Sabía qué cuando escaneamos una factura o cualquier otro documento probablemente utilizamos una aplicación de las redes neuronales, una rama de la Inteligencia Artificial? 
• ¿Qué aplicaciones tienen las redes neuronales en la Contabilidad? Reconocimiento de patrones, problemas de optimización, clasificación de datos financieros...
• Otras herramientas inteligentes pueden utilizarse para escrutar entre los millones de datos que se generan en un banco en busca de patrones de comportamiento de sus clientes o para detectar tendencias en los mercados de valores.
• Pero ¡ojo!, aunque es un término que suena -y vende- bien, es difícil poner una ralla entre lo que es Inteligencia Artificial e informática convencional, ya que al fin y al cabo todo son programas de ordenador.

¿Cómo es el aprendizaje?

El entrenamiento se realiza mediante patrones-ejemplo, siendo dos los tipos de aprendizaje: supervisado y no supervisado.

a) El aprendizaje supervisado

Se asemeja al método de enseñanza tradicional con un profesor que indica y corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. En terminología estadística equivale a los modelos en los que hay vectores de variables independientes y dependientes: técnicas de regresión, análisis discriminante, análisis lógit, modelos de series temporales, etc.

b) El aprendizaje no supervisado

No hay un profesor que corrija los errores al alumno; recuerda más al autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla. Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales. En terminología estadística equivale a los modelos en los que sólo hay vectores de variables independientes y buscan el agrupamiento de los patrones de entrada: análisis de conglomerados o cluster, escalas multidimensionales, etc.

¿Cómo se trabaja con las redes neuronales?

La figura siguiente describe el procedimiento para operar con redes neuronales. Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminología estadística diríamos que es necesario estimar los parámetros.

¿A qué aplicarlas?

Se aplican a tareas en las que un ser humano se desenvuelve bien, pero en las que un sistema algorítmico tradicional lo hace de un modo ineficaz. No deben aplicarse en aquellos casos en los que la solución algorítmica es eficiente, es decir, problemas de cálculo aritmético o lógico que los ordenadores tradicionales resuelven muy bien. Tampoco podrán aplicarse en los casos en los que no se pueda disponer de un conjunto suficiente de patrones-ejemplo.

Tres tipos de problemas

En general, las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimización, reconocimiento y generalización. Estos tres tipos engloban un elevado número de situaciones, lo que hace que el campo de aplicación de las redes neuronales en la gestión empresarial sea muy amplio. Los libros de Refenes (1995) y Deboeck y Kohonen (1998) recogen una amplia colección de trabajos aplicados en contabilidad y finanzas.

•  Optimización

En los problemas de optimización se trata de determinar una solución que sea óptima. En la gestión empresarial, son decisiones de optimización encontrar los niveles adecuados de tesorería, de existencias, de producción, construir de carteras óptimas, etc.

•  Reconocimiento

En los problemas de reconocimiento se entrena una red neuronal con inputs como sonidos, números, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos más fructíferos en el desarrollo de redes neuronales y casi todos los modelos de red neuronal han sido aplicados con mayor o menor éxito.

• Generalización

En los problemas de generalización la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas típicos de generalización son los de clasificación y predicción. Son problemas de generalización tratar de predecir la quiebra de las empresas a partir de su información contable o la concesión de préstamos, la calificación de obligaciones, la predicción en los mercados de valores, etc.

i) Clasificación

En los problemas de clasificación se trata de asignar a cada caso su clase correspondiente, a partir de un conjunto de ejemplos.

ii) Predicción

La predicción ha sido una de las aplicaciones que más pronto despertaron el interés de los estudiosos de las redes neuronales. El análisis técnico pretende predecir las cotizaciones a partir de la evolución histórica de precios y volúmenes de negociación. El análisis fundamental trata de valorar los factores económicos más importantes del entorno y contempla la evolución económico-financiera de las empresas.

Bibliografia.
http://www.monografias.com/trabajos12/redneuro/redneuro.shtml

http://www.cristalab.com/tutoriales/algoritmo-de-redes-neuronales-en-inteligencia-artificial-c91707l/

http://ciberconta.unizar.es/leccion/redes/inicio.html