Una neurona artificial dubtosa

Les dades han arribat per a quedar-se i estan canviant la manera en què percebem i prenem decisions en àrees com la sanitat, les relacions socials, la política, el medi ambient i els negocis. La ciència de dades està pertot i ens permet adquirir, processar i extraure coneixement a partir de grans volums de dades mitjançant tècniques d’avantguarda heretades del món de les matemàtiques, l’estadística, la informàtica, la intel·ligència artificial, l’economia i la salut.

Entre aquestes tècniques destaquen les xarxes neuronals artificials o models connexionistes. Les aplicacions més precises de reconeixement d’imatges, els assistents personals com ara Siri o Cortana, els traductors automàtics, els cotxes autònoms… es basen sovint en models neuronals. Les dendrites d’aquestes neurones, però, s’arrelen en la saviesa que desprenen els treballs del segle passat sobre com modelitzar el funcionament del cervell humà. Així, doncs, vos proposem fer una passejada per aquest cementeri de neurones oblidades.

Podem fixar el punt de partida en l’estudi del cervell a finals del segle XIX, quan Santiago Ramon y Cajal va presentar a València la seua llei de la polarització dinàmica que explica el funcionament del component més xicotet en l’estructura del cervell: la neurona. Donald Hebb en va recollir el testimoni durant la primera meitat del segle XX i va determinar una de les regles referides més comunament pel connexionisme, l’aprenentatge hebbià, que especifica una regla per a la modificació de les sinapsis, açò és, una regla fisiològica d’aprenentatge.

La següent gran contribució és el treball de Warren McCulloch i Walter Pitts, que representa una neurona com un dispositiu binari amb entrades que l’inhibeixen o l’exciten en funció d’un llindar d’activació. El model de McCulloch-Pitts s’apropava a allò que la neurofisiologia coneixia el 1943 al voltant de l’activitat sinàptica neuronal i, a més a més, permetia sintetitzar alguna de les funcions lògiques de l’àlgebra booleana que suportaven els fonaments de la computació. Aquesta capacitat va desencadenar l’eufòria en l’ús de les neurones artificials així com en els somnis científics. Si podíem reproduir el comportament d’una neurona individual, per què no podríem implementar tot un sistema de coneixement mitjançant l’ús d’un conjunt d’aquestes neurones artificials?

Guiat per aquest miratge, Alan Turing va ser un dels precursors del connectivisme allà pel 1948, encara que el seu article Intelligent Machinery no va veure la llum perquè havia estat titllat d’assaig escolar pel seu cap, Sir Charles Darwin (nét del famós naturalista de qui suposem no havia heretat una certa miopia científica). Un altre geni de les matemàtiques i pare de la informàtica, John Von Neumann, també va suggerir que l’estudi del sistema nerviós central i de les idees connexionistes era un possible camí per a millorar els ordinadors. Així, en les darreries de la dècada dels 50 i principis dels 60, la comunitat investigadora va reeixir amb el disseny tres arquitectures connexionistes: el Pandemonium, el Perceptró, i l’ADALINE, un sistema adaptatiu que podia aprendre de forma més precisa i ràpida que els perceptrons existents.

La desfeta va arribar a tocar dels anys 70, quan Marvin Minsky i Seymour Papert van posar de manifest que els perceptrons de l’època només podien resoldre problemes linealment separables del quals, dissortadament, hi havia ben pocs. El treball de Minsky i Papert va paralitzar durant 10 anys l’avançament d’aquest camp de la intel·ligència artificial, però alguns grupuscles hi continuaren treballant. La resistència preparava el seu retorn…

En els primers anys obscurs, Teuvo Kohonen i James Anderson van proposar el mateix model de memòria associativa des de dos disciplines diferents: Kohonen és enginyer elèctric i Anderson és psicòleg i neurocientífic. El 1980 Stephen Grossberg va crear un nou principi d’auto-organització gràcies a les xarxes neuronals ART (Adaptive Resonance Theory) i el 1982 el distingit físic teòric John Hopfield va desenvolupar la idea de l’ús d’una funció d’energia per a comprendre la dinàmica d’una xarxa neuronal recurrent, en què l’estat d’una neurona depèn d’altres estats precedents. Al seu torn, David Rumelhart, Geoffrey Hinton i Ronald Williams van desenvolupar el 1986 l’algorisme d’aprenentatge per retropropagació (backpropagation) per a xarxes neuronals multicapa i en van ressuscitar definitivament l’interès.

Des d’aleshores, el nombre de treballs sobre xarxes neuronals ha anat augmentant, amb alguna davallada ocasionada per l’aparició un model d’aprenentatge màquina que rivalitzava en prestacions: les màquines de vector suport. Tanmateix, dos articles influents de Hinton en 2006 van fer renàixer el camp de les xarxes neuronals de forma espectacular i el van capbussar en el que es coneix com aprenentatge profund o deep learning.

Les xarxes neuronals profundes es troben al nucli de més del 90% dels sistemes experts implementats en l’actualitat, fonamentalment, perquè milloren els resultats d’altres models matemàtics quan el problema a tractar presenta les següents característiques: variabilitat amb el temps, no linealitat, presència de soroll i alta dimensionalitat. Així, doncs, aquests models s’han emprat sobre manera en totes les àrees del coneixement, entre les quals podem destacar les següents aplicacions: medicina, farmàcia, economia, ciberseguretat, medi ambient, etc.

Siga quina siga l’aplicació i el seu grau de complexitat, la bellesa de les xarxes neuronals artificials es troba en la senzillesa dels seus components estructurals. La genialitat del comportament dels models connexionistes rau, no en la capacitat individual de les neurones artificials, sinó en la riquesa de les seues interaccions i en la seua capacitat de combinació amb altres tècniques. La investigació en computació quàntica, que encara està donant les seues primeres passes, n’és un bon exemple. Les xarxes neuronals quàntiques malden per mantindre la màgia tot substituint l’eixida binària de la neurona de McCulloch-Pitts per un qubit (unitat de mesura quàntica de la informació). Aquesta aproximació permetria obrir nous horitzons liderats per un component l’eixida del qual podria ser, alhora, una superposició dels seus estats actiu i inactiu: una neurona artificial dubtosa!

Això, però, es una altra història… Mentrestant, continuarem escrivint i llegint versos binaris com: «Aquesta cançó és un bes, per a despertar, a Alan Turing»1.