REDES NEURONALES

Es un modelo matemático del cerebro humano que simula la forma en que las neuronas interactúan para procesar datos y aprender con la experiencia.

Comparaciones Biológicas. El diseño de redes neuronales se ha inspirado en el diseño físico del cerebro humano.

·         Las dendritas: se especializan en la captación de señales electroquímicas, es decir, son los componentes de entrada de la célula. Dendritas en elsistema experto son dispositivos de entrada. 

·         Los axones: proporciona un camino de salida para las señales procesadas. Axones en el sistemaexperto son los dispositivos de salida.

·         El soma: es el que procesa las señales. Soma en el sistema experto es la unidad central de proceso.

Evolución De Los Sistemas Neuronales Artificiales. Los investigadores consideran que el desarrollo de una función neuronal sencilla por Warren McCulloch y Walter Pitts, a fines de la década de las treinta, fue el verdadero punto de partida.La salida de una neurona McCulloch-Pitts, tiene un valor matemático, igual a una suma ponderada de entradas, aunque se demostró que eran excelentes dispositivos de cómputo, no contaban con un método para ajustar los pesos de la función neuronal.

Ley Del Aprendizaje De Hebb. Fue propuesta en 1949 por Donald Hebbque dice que cuando más a menudo una neurona contribuye al disparo de una segunda, más eficiente será el efecto de la primera sobre la segunda.

Primeras Neurocomputadoras. A principios de los cincuenta, Marvin Minsky creo un dispositivo que llamo Snark, o análogo del cerebro humano basado en una computadora y aunque técnicamente tuvo éxito, no logro desempeñar una función de procesamiento de información significativa. A mediados de los cincuenta Frank Rosenblatt, creo el perceptrón, que era un dispositivo de hardware que se usaba para reconocer patrones y este pudo generalizar y responder a estímulos de entrada con los que no estaba familiarizado.

Sistema Neuronal Artificial (ANS). Exhiben capacidades como generalización, abstracción e incluso intuición. Y se componen de una serie de neuronas artificiales muy sencillas llamadas neurodos, que son los elementos procesadores. Tienen una función de transferencia que es una relación entre la salida de la suma ponderada y el valor de umbral de la célula.

·         Perceptrón multicapas: son neuronas simples que se combinan para formar un sistema neuronal artificial. Es una red de alimentación hacia adelante, lo que implica que el flujo de datos se mueve en una sola dirección, desde la capa de entrada  hasta la capa de salida.

                               

Adiestramiento De Redes. Consiste en muchas repeticiones de entradas que expresan diversas relaciones. Al refinar progresivamente los pesos de los nodos del sistema, el sistema neuronal artificial descubre las relaciones entre las entradas, este proceso de descubrimiento es un aprendizaje.

Sistema Neuronal  Artificial  En Perspectiva. Gracias a la capacidad de aprendizaje de los ANS y que tienen menos deficiencias que los sistemas expertos, en el futuro desarrollaran cada vez más sistemas expertos que incorporaran redes neuronales, para proporcionar asesoría experta y mejorar sus propios conocimientos con el tiempo.

Sistemas Basados En El Conocimiento En Perspectiva. En 1956, cuando John  Mc Carthy y su grupo acuñaron el término de inteligencia artificial, desde entonces los científicos en computación e información han empujado continuamente las fronteras del conocimiento en los campos de AIS, MIS, DSS y oficina virtual. Además se ha logrado mucho en el área de losistemas expertos y las redes neuronales y se han creado con éxito muchas aplicaciones. Las tareas de aplicar la AI para resolver problemas de negocios ha sido muy difícil, sin embargo, el hecho de que sea un reto formidable, es una razón de más para que los ingenieros del conocimiento actuales sigan luchando por alcanzar niveles más altos de desempeño.Y en tanto haya computadoras e ingenieros del conocimiento, habrá intentos por producir una computadora que piense como un ser humano.

Diferencia Entre Sistema Experto Y Sistemas De Apoyo A Decisiones. Un sistema experto es muy similar a un DSS en cuanto a que ambos se diseñan para proporcionar un alto nivel de apoyo para la resolución de problemas a sus usuarios, sin embargo, se diferencian en dos aspectos importantes:

·         Un DSS consiste en rutinas que reflejan la forma como un gerente cree que un problema debe resolverse, así como el estilo y las capacidades del gerente.   Un sistema experto en cambio, ofrece la oportunidad de  tomar decisiones que excedan las capacidades del gerente.

·         La distinción entre un sistema experto y un Dss es la capacidad del SE de explicar la línea de razonamiento que siguió para llegar a una solución dada.