Una red neuronal (red neuronal artificial) es un modelo de cálculo inspirado libremente en el cerebro, formado por unidades llamadas neuronas que se organizan en capas y se conectan entre sí mediante pesos numéricos. Cada neurona recibe valores, los combina según sus pesos y produce una salida; al ajustar esos pesos durante el entrenamiento, la red aprende a transformar entradas en las salidas deseadas.
Una red típica tiene una capa de entrada, una o varias capas ocultas y una capa de salida. El aprendizaje ocurre mediante un proceso llamado retropropagación, que corrige los pesos para reducir el error de las predicciones. Cuando la red tiene muchas capas ocultas, se habla de deep learning o aprendizaje profundo.
Las redes neuronales son la base de prácticamente toda la IA actual: reconocimiento facial, traducción automática y modelos como ChatGPT, Claude o Gemini, que usan una arquitectura de red neuronal llamada transformer.
Noticias relacionadas
Preguntas frecuentes
¿Una red neuronal funciona igual que el cerebro humano?
No. La inspiración es solo conceptual. Las neuronas artificiales son funciones matemáticas muy simplificadas y el cerebro biológico es mucho más complejo y eficiente energéticamente. La analogía ayuda a entender la idea, pero los mecanismos son distintos.
¿Qué son los pesos de una red neuronal?
Los pesos son los valores numéricos que determinan la fuerza de cada conexión entre neuronas. Son lo que la red ajusta al aprender. El conjunto de todos los pesos forma los parámetros del modelo, que pueden ser miles de millones en los modelos grandes.
