Glosario

Redes neuronales artificiales (RNA)

¿Qué es Redes neuronales artificiales (RNA)?

Las redes neuronales artificiales (RNA) son modelos de cálculo formados por muchas unidades conectadas («neuronas»), organizadas en capas, que procesan las entradas mediante conexiones ponderadas. Durante el entrenamiento, los pesos se ajustan paso a paso a partir de ejemplos, normalmente con retropropagación. Las RNA son la base del aprendizaje profundo y están en el reconocimiento de imágenes y de voz y en los grandes modelos de lenguaje. Pese a su inspiración biológica, funcionan de forma mucho más simple que el cerebro humano.

Temas

Aprendizaje profundo
Fundamentos de IA
Modelos

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Aprendizaje profundo

El aprendizaje profundo (deep learning) es una rama del aprendizaje automático que utiliza redes neuronales artificiales con muchas capas. Estas redes aprenden por sí mismas, a partir de grandes cantidades de datos, qué rasgos son importantes, desde bordes en imágenes hasta relaciones de significado en textos. Es la base de los modelos de lenguaje actuales, del reconocimiento de imágenes y voz y de la traducción automática, y suele requerir mucha potencia de cálculo y datos.

redes neuronales
aprendizaje automático
+1

Retropropagación

La retropropagación (backpropagation) es el método estándar con el que aprenden las redes neuronales. Tras cada predicción se mide el error y se propaga hacia atrás por las capas de la red, lo que muestra cuánto ha contribuido cada peso. Después, un método de optimización como el descenso de gradiente ajusta los pesos paso a paso. Sin retropropagación, entrenar los modelos de lenguaje e imagen actuales sería prácticamente imposible.

Redes neuronales
Entrenamiento
+1

Funciones de activación

Las funciones de activación determinan con qué intensidad una neurona de una red neuronal artificial transmite su señal. Introducen no linealidad: solo así la red puede representar relaciones complejas como el lenguaje o las imágenes. Ejemplos habituales son ReLU, que convierte los valores negativos en cero, la sigmoide para probabilidades entre 0 y 1 y GELU, usada en muchos modelos transformer. La elección influye en la velocidad y la estabilidad del entrenamiento.

Redes neuronales
Aprendizaje profundo
+1

Transformer

El Transformer es una arquitectura de red neuronal presentada en 2017 en el artículo de investigación «Attention Is All You Need». Su núcleo es el mecanismo de atención: cada palabra se pondera en relación con todas las demás del texto, y el cálculo se paraleliza con eficacia. Los Transformers son la base de los modelos de lenguaje actuales como GPT, Claude o BERT y también se usan para imagen y audio.

Arquitectura
Deep learning
+1