PARADIGMA CONEXIONISTA EN LA IA: ASPECTOS

METODOLGICOS

RESUMEN

Para poder comprender mejor cmo funcionan las redes neuronales artificiales vamos
a estudiar el sistema nervioso de los animales e intentaremos buscar una semejanza
con un modelo artificial.

Veremos la diferencia entre un paradigma conexionista y uno simblico

para comprender mejor como trabaja una red neuronal.

Observaremos las reacciones del sistema ante estmulos externos y

buscaremos una analoga entre lo natural y lo artificial.

Estudiaremos la estructura de una red neuronal, su forma de trabajar,

entrenamiento, y su analoga con el sistema nervioso natural.

INTRODUCCION

Los pasos que vamos a realizar para comprender el funcionamiento de una red
neuronal son:

Comparativa entre paradigma conexionista y simblico. Las redes

neuronales tienen una estructura conexionista.
Para generar una aplicacin que realice un fin determinado no tendremos que
programar siguiendo un modelo simblico, en este caso dispondremos de un
aprendizaje de la red.

El sistema nervioso y los procesos cognitivos. La inteligencia

artificial estudia el sistema nervioso de los animales y su forma de interactuar
con el medio.

En este apartado analizaremos el paradigma computacional con:

o Mecanismos neuronales (intentan modelar los procesos
cognitivos de los humanos).
o Arquitectura funcional.

Arquitectura de una red neuronal. Veremos los distintos componentes

de una red neuronal y como estn conexionados entre si. Obtendremos el
resultado que necesitamos, tras haber pasado un proceso de entrenamiento en

Pgina 1 de 16
 el que iremos modificando los pesos W de cada neurona para conseguir su
activacin sinptica.

Comparativa entre un modelo biolgico y uno artificial.

Comparacin entre una red neurona artificial y una biolgica. Descripcin de
los conceptos claves en los sistemas nerviosos que se intentan reproducir en
una red neuronal artificial.

1.- PARADIGMA CONEXIONISTA Y SIMBOLICO

Vamos a analizar los paradigmas Conexionista (Mtodos usados) en la inteligencia

artificial.

Las tareas bsicas a la hora de ejecutar un problema son:

Especificar el problema que queremos resolver.

Modelar el problema viendo los datos de los que disponemos y las
relaciones existentes entre ellos.
Crear la ecuacin que atiende al modelado anterior.
Programar basndonos en el modelado descrito

Hablar de paradigmas en la inteligencia artificial, es hablar de todo este proceso de

modelado de un problema.

Paradigma simblico

Utilizamos smbolos para representar el conocimiento.

Operamos con dichos smbolos segn las propiedades que se les han
asignado.
No dependemos de valores de entrada proporcionados por sensores y
efectores.
Todo el proceso de clculo para resolver un problema est basado en la
relacin entre los hechos y las reglas conocidas entre esos hechos.

Podramos comparar el paradigma simblico con un circuito integrado donde lo que

importa es la funcin que realiza dicho chip, y no la estructura interna.

Paradigma Conexionista

Implica una estructura de elementos conectados entre s.

Tenemos un aprendizaje basado en el clculo de cada elemento y las
conexiones entre dichos elementos.

Pgina 2 de 16
Tenemos dos ramas del conexionismo:

Redes de neuronas artificiales (RNAs). La funcin se ajusta en un

aprendizaje basado en el nmero de neuronas y las conexiones entre ellas.

Redes Bio-inspiradas. Se basa en las conexiones de los circuitos

neuronales reales.

PARADIGMA SIMBOLICO PARADIGMA CONEXIONISTA

Los datos son procesados siguiendo Necesitamos de un aprendizaje para
unas reglas, es programable. obtener el resultado que buscamos.
Procesamiento secuencial Procesamiento distribuido en
paralelo

memoria para almacenar los Formados por unidades que

datos interactan entre si
Recibimos informacin del La informacin es recibida por cada
entorno unidad a travs de las conexiones que
tiene con las otras unidades
Existe un conjunto de Cada unidad tiene un peso W, que
procesos o reglas que manipulan los establece la incidencia de la unidad origen
datos en la unidad destino
Las tareas se van La actividad del sistema depende
coordinando para obtener el proceso de los pesos de las conexiones y las
final activaciones de las unidades
Multitud de funciones o Una funcin de clasificacin en su
procesos arquitectura por capas
Sabemos los resultados que Nos aproximamos a lo que
vamos a obtener esperamos tras el aprendizaje
Si falla un proceso, falla todo Tolerancia a fallos. Si falla una
el sistema unidad neuronal, el proceso continua

2. - EL SISTEMA NERVIOSO Y LOS PROCESOS COGNITIVOS

Busca imitar el comportamiento, la forma de operar y las respuestas ante eventos

externos del sistema nervioso de los seres vivos.

El sistema nervioso opera mediante anlisis, herramientas, mtodos,.. Que se intenta

imitar para conseguir la inteligencia artificial.

Mtodos usados:

Redes neuronales artificiales. Intentan trabajar igual que lo hara un

cerebro con sus neuronas, es decir, intenta procesar la informacin recibida y
va aprendiendo segn realiza los diferentes procesos.
Pgina 3 de 16
 Lgica difusa. Se basa en las tomas de decisiones acertadas que hace
el cerebro, sin tener una informacin precisa.

Computacin evolutiva. Se basa en la evolucin natural para resolver

problemas.

2.1. - PARADIGMA COMPUTACIONAL

Sera la metodologa a seguir para conseguir un modelo de red neuronal artificial.

En la naturaleza tenemos diferentes niveles (subcelular, celular, orgnicos y

comportamiento).

Cada nivel tiene su propio medio, sus seales, su forma de interactuar,..

En el paradigma computacional vamos a tener tres niveles:

Conocimientos.
Smbolos.
Seales.

Y la forma de trabajar en cada uno de estos niveles depender de unos valores de

entrada, un resultado a la salida y un proceso intermedio que trabajara con los valores
recogidos en las entradas, para proceder a obtener los resultados esperados en la
salida.

- Estos tres niveles son como asignaciones de informacin de un nivel a

otro.

- En el paradigma computacional trabajan cada uno por separado pero

relacionados entre s.

- En la naturaleza estos niveles operan todos al mismo tiempo.

2.2. - MECANISMOS NEURONALES

La inteligencia artificial estudia el sistema nervioso de los animales y su forma de

interactuar con el medio.
Pgina 4 de 16
 - El paradigma computacional intenta modelar los procesos cognitivos de
los humanos, para ello nos apoyamos en que los mecanismos neuronales se
pueden convertir en el cdigo de un lenguaje programable (mtodos
simblicos).

- El sistema acta y responde a la interaccin con el medio a travs de

los mecanismos de los que dispone.

- Estos mecanismos estn relacionados entre s y cada uno de ellos tiene

una funcin (un clculo).

- El resultado del clculo de cada mecanismo neuronal es la respuesta

que tenemos al estimulo con el medio.

- El conjunto de todos estos mecanismos da el resultado final que se

pretende o estamos buscando.

Mecanismos neuronales bsicos:

Transmisin modulada.
Retardos
Procesos convergentes y divergentes.
Lazos de realimentacin simple y mltiple.
Aprendizaje supervisado y Hebbiano.
Inhibicin lateral y arcos reflejos

2.3. - ARQUITECTURA FUNCIONAL

Un sistema interacta con su cuerpo (medio interno) y con el medio externo a travs
de sensores y efectores.

Dominio Observador externo (EOD). Observamos cmo reacciona el

cuerpo con los estmulos que recibe del medio externo. Queremos ver cmo
reacciona la red neuronal ante los estmulos en sus neuronas de entrada.

Propio dominio (OD). Se basa en la estructura de la red neuronal y los

cambios que va experimentando en su interaccin con el medio ambiente.

La red neuronal consta de una estructura en una metodologa conexionista, por lo que
ambos enfoques juntos proporcionan informacin para su estudio.
Pgina 5 de 16
Solo un observador externo que conoce los componentes, las relaciones y los
procesos puede tener una visin global del clculo.

La reaccin del cuerpo con respecto a los estmulos del medio desencadena el
funcionamiento de una serie de mecanismos neuronales que realizan los clculos
correspondientes.

El observador externo analiza la funcin global producida por el conjunto de

mecanismos que intervienen ante un estimulo, descomponindola en funciones ms
elementales:

Sensacin percepcin.
Planificacin y control de la accin motora.
Asociacin / Decisin.
Aprendizaje.

Para explicar la produccin de actos motores se propusieron unos lazos de

realimentacin de los mecanismos neuronales que son:

Lazos tipo I. Son los que cierran dentro de cada sistema funcional, pero
sin salir del cerebro.

o Memoria local.
o Temporizacin.
o Percepcin-accin.
o Generacin de patrones de conducta motora.

Lazo Tipo II. Se cierran a travs del resto del cuerpo.

o Procesos de homeostasis (regulacin de las variables del medio

interno).
o Arcos reflejo

Lazo Tipo III. Se cierran a travs del medio externo a travs de los
sensores y efectores que tenemos para interactuar con el medio.

o Conducta externa voluntaria.

o Control actos motores voluntarios.
o Mecanismos de percepcin.
o Propsitos e intenciones.

Necesitamos de este observador externo para poder disear la red neuronal.

Pgina 6 de 16
Para poder completar e intentar conseguir que una mquina pueda llegar a tener una
forma de calcular parecida a la que se da en los seres vivos, se debe estudiar el
comportamiento del sistema nervioso.

Se debe pensar en trabajar como lo hara el sistema nervioso cuando reacciona ante
los estmulos de su entorno.

Gran velocidad de proceso

Tratar una gran cantidad de informacin procedente del entorno
Almacenar la informacin
Capacidad de aprendizaje

Modelar los procesos cognitivos de los humanos supone:

Ver la interaccin entre sistemas dinmicos

Capacidad de adaptacin
Autonoma
Control
Ver qu relacin pueden tener con la emocin, la conciencia, el
propsito,..

Los propsitos seran los mecanismos de control, que no son ms que un clculo que
realiza para obtener el resultado deseado.

Cada organismo es un conjunto de estos mecanismos interconectados.

2.4. - MODELADO DEL CONOCIMIENTO

Tenemos tres enfoques para la modelizacin del conocimiento en IA:

Representacional.
Situado.
Conexionista.

REPRESENTACIONAL

Un proceso mental se puede comparar con el proceso que realiza las operaciones de
un ordenador.

Se transforma la informacin en una serie de etapas, desde que se recibe en un

estimulo, hasta que se da una respuesta.

Est basado en el procesamiento del lenguaje natural por el que dos palabras
(conceptos) que se encuentran en el mismo contexto (medio) y estn relacionadas
entre s, producen un discurso (resultado).

Pgina 7 de 16
El enfoque representacional comienza a partir de conceptos, las relaciones entre ellos
y los procesos que se dan para conseguir un fin.

Ontologa:

Entidades (nombres, conceptos,..)

Atributos (propiedades,..)

Relaciones y funciones (interacciones entre conceptos).

El principal problema es el no tener relacin directa con la estructura, los niveles de

organizacin inferiores.

Esto es por seguir procesos artificiales en lugar de biolgicos.

SITUADO

Las percepciones y acciones estn estructuradas en su entorno.

Tambin se basa en el proceso del lenguaje natural, pero ahora el

proceso es etolgico. Se estudia las respuestas que tiene el sistema ante
cualquier estimulo.

Es un comportamiento basado en la reaccin ante un estimulo del

medio.

CONEXIONISTA

Basado en la arquitectura de la red neuronal.

Conocimiento por aprendizaje.

Los sistemas biolgicos necesitan muchos niveles de modelado e interpretacin.

3. - ARQUITECTURA DE UNA RED NEURONAL ARTIFICIAL

La red neuronal ser un algoritmo que trabajara en funcin de la sinapsis de cada

neurona.

Pgina 8 de 16
Realmente no podemos deducir la estructura o datos que se van procesando en el
algoritmo, y cada neurona de la red en funcin de su sinapsis (Peso de la neurona W)
ir trabajando para conseguir el resultado esperado.

Para la estructura de una red neuronal tendremos que hablar de:

Neuronas de entrada.
Neuronas de salida.
Neuronas ocultas.

Todas ellas relacionadas entre s por medio de la estructura neuronal que diseemos
para la funcin que pretendemos conseguir.

Las redes neuronales artificiales RNA, estn formadas:

Neuronas artificiales. Elemento bsico de la red neuronal que se

encarga de procesar la informacin. Todas las neuronas en la red estn
interconectadas entre s.

Arquitectura RNA. Conexin entre las neuronas de entrada, ocultas y

de salida. Tras el aprendizaje quedar definido los pesos de cada neurona
que establecer la sinapsis entre ellas.

Activaciones de las neuronas que indicara cuando se activa cada una

de las neuronas del sistema.

Aprendizaje. Se entrena la red para el ajuste de los pesos sinpticos

entre las neuronas y de esta forma conseguir que la red neuronal realice la
funcin para la cual ha sido entrenada.

Entorno de nuestro sistema. La comunicacin de la red neuronal con el

entorno se realiza a travs de las neuronas de entrada. Estos valores
pueden proceder de sensores en un proceso automtico, de informacin
en una base de datos,..

Si pudiramos tener un total conocimiento de cmo funciona el cerebro, los procesos

cognitivos,.. Podramos programar una red neuronal de una manera artificial sin
problemas.
Pero esto no es as y lo nico que si podemos conseguir es acercarnos, en cierto
modo, a ciertos aspectos del funcionamiento del cerebro.
Por ejemplo con los algoritmos de aprendizaje podramos decir, que conseguimos
procesos cognitivos artificiales con los que la RNA puede llegar a aprender y
memorizar.

Pgina 9 de 16
Con la arquitectura de una RNA tenemos la estructura de neuronas interconectadas.
Sabemos las neuronas de entrada, las de salida y jugaremos con las ocultas para
obtener el resultado esperado.

Jugando con la arquitectura de la red neuronal y con su aprendizaje, obtenemos los

pesos sinpticos de cada neurona y con ellos las interacciones entre las neuronas.

En otras palabras con el aprendizaje conseguimos el programa de dicha red

neuronal.

El Cerebro est constantemente aprendiendo a travs de percepciones cognitivas que

tiene en la relacin con el medio ambiente, otras personas,

El cerebro de las personas se distingue de los animales en cuanto que estos tienen
una respuesta para cada estimulo, y en cambio las personas ante un estimulo
tenemos una representacin simblica que nos muestra un montn de posibilidades
de reaccin.

Estos smbolos vistos desde el punto de vista del observador externo designan:

Las entidades para la supervivencia en el entorno.

Relacin entre objetos y eventos
Seales de advertencia
Reacciones a la conservacin de la especie (sexuales, sueo, comer,..)

Desde que se da el proceso sensorial, hasta la etapa de motor donde reaccionamos

al estimulo, los smbolos actan como representaciones internas.

El observador externo necesita saber cmo surge el smbolo a partir del proceso
sensorial que obtenemos de la interaccin con el medio ambiente.

En las redes neuronales todo este proceso se lleva a cabo en las conexiones
sinpticas.

Los smbolos en el caso de una RNA son el resultado de los ajustes que se dan en los
pesos de las neuronas durante el aprendizaje que aplicamos.

Red Neuronal Clculo convencional

Se ajustan segn la conexin sinptica. Son programables.
Dinmicos. Estticos.
Smbolos Conexionista. Smbolos
representacin.

En una red neuronal no seguimos la disciplina de programacin que tenemos para

realizar una aplicacin.

En este caso El programa, La aplicacin, la desarrollamos a travs del

aprendizaje que tiene la red durante su desarrollo.
Pgina 10 de 16
Hoy en da no existe ninguna lgica matemtica para la modelizacin del conocimiento
o los procesos mentales.

3.1. - COMPARATIVA ENTRE UN MODELO BIOLOGICO Y UNO

ARTIFICIAL

Para entender cmo funciona el cerebro realizamos dos estudios:

Tareas de sntesis.
Tareas de anlisis para ver cmo funciona

En el modelo biolgico, una neurona tpica recoge seales procedentes de otras

neuronas a travs de unas estructuras llamadas dendritas.

La neurona emite impulsos de actividad elctrica a lo largo de una fina y delgada capa
denominada axn; pues bien, las extremidades de estas ramificaciones llegan hasta
las dendritas de otras neuronas y establecen conexiones conocidas como sinapsis,
que finalmente transforman el impulso en un mensaje.

Comparativa entre las neuronas reales y las neuronas artificiales:

REDES NEURONALES BIOLGICAS REDES NEURONALES ARTIFICIALES

Unidades de proceso (neuronas
Neuronas
artificiales)
Conexiones sinpticas Conexiones ponderadas
Efectividad de la
Peso de las conexiones
sinapsis
Efecto excitatorio o Signo del peso de una
inhibitorio conexin
Estimulacin total Entrada total ponderada
Activacin (tasa de
Funcin de activacin (salida)
disparo)

Los siguientes conceptos se pueden considerar como claves en los sistemas

nerviosos. Son, por tanto, los que se intentar reproducir en la RNA como sistemas
artificiales:

Paralelismo de clculo (procesamiento paralelo) y tiempo real. Es la

clave de la rapidez de procesamiento del cerebro humano: la totalidad de las

Pgina 11 de 16
 neuronas de que se compone procesan de forma paralela la informacin. De
esta forma se pueden obtener respuestas en tiempo real.

Memoria distribuida. En cualquier sistema neuronal (biolgico o

artificial) la informacin se encuentra distribuida por la red. La forma de
intercambiar la informacin es por la activacin de las neuronas.
Si una cualquiera de ellas resultase daada, la prdida de informacin no sera
en absoluto relevante. El sistema es tolerante a fallos.

Adaptabilidad. Las RNA son capaces de aprender para adaptarse al

entorno mediante la modificacin de los pesos de sus sinapsis, lo que se
conoce con el nombre de aprendizaje.

No linealidad. Una neurona (biolgica o artificial) es un elemento no

lineal, por lo que una interconexin de neuronas artificiales (RNA) tambin ser
un dispositivo no lineal.

Capacidad de establecer relaciones entrada-salida. En su proceso

de aprendizaje, las RNA establecen relaciones entre las entradas y las salidas
de forma que, ante entradas desconocidas, son capaces de dar respuestas
aproximadas.

4. - REDES DE NEURONAS ARTIFICIALES (RNAs)

Las redes neuronales estn formadas por neuronas interconectadas entre s. Dichas
neuronas actan como si fueran elementos de clculo que se van activando en funcin
del valor que demos al peso sinptico de dicha neurona.

El peso sinptico representa la intensidad de interaccin entre

neuronas. A mayor valor, mayor influencia de la neurona presinptica en la
postsinptica.

Los pesos pueden ser:

o positivos o excitatorios, tienden a activar la neurona.

o negativos o inhibitorios, tienden a inhibir la neurona

Las conexiones son direccionales, es decir, slo propagan informacin

en un sentido.

La parte ms importante de las redes neuronales es el ajuste de los

pesos que se realiza durante el aprendizaje.

La suma ponderada de las entradas multiplicadas por los pesos

sinpticos (funcin de tipo lineal) representa la propagacin de la seal entre
las neuronas.

hi(t) = (wij * xj)

Pgina 12 de 16
 Generalmente se aade a los pesos un elemento adicional i (umbral)
que se resta del potencial postsinptico. i es el nivel mnimo que debe
alcanzar el potencial de la neurona para que sta se dispare o active.

Teniendo en cuenta todas las anteriores consideraciones:

yi(t) = fi((wij * xj) - i)

La funcin de activacin representa simultneamente la salida de la

neurona y su estado de activacin.

4.1. - APRENDIZAJE EN LAS REDES NEURONALES ARTIFICIALES

La parte ms importante de una red neuronal es el aprendizaje o ajuste de los pesos

de cada una de las neuronas.

Tenemos los siguientes tipos de aprendizajes:

Supervisado.
No supervisado.
Por refuerzo.

SUPERVISADO

Conocemos los valores de entrada y lo que esperamos a la salida. Tendremos en

cuenta el error cuadrtico medio, para intentar minimizar el error conseguido entre el
resultado real y el esperado.

Para el ajuste de los pesos de las neuronas comparamos entre el valor

real obtenido yj(t) y el valor deseado dj(t).

(t) = | dj(t) - yj(t)|

Para minimizar el error se utiliza el error cuadrtico medio

2
E=

Los pesos de las neuronas se van modificando hacia atrs, partiendo

de la capa de salida, hacia todas las neuronas de la capa oculta y de estas a
las de entrada.
Pgina 13 de 16
 Durante el proceso de aprendizaje realizaremos varios ciclos de
entrenamiento hasta conseguir el resultado esperado.

En cada ciclo de entrenamiento el peso W se obtiene a partir del peso

del ciclo anterior.

W(nuevo) = W(antiguo) - .gradwE(W)

Siempre comenzamos el entrenamiento inicializando los pesos de cada
una de las neuronas de la red.

A medida que se entrena la red, las neuronas van variando sus pesos,
hasta conseguir el entrenamiento que proporcione el resultado esperado.

NO SUPERVISADO

Conocemos una serie de datos, pero no conocemos la respuesta deseada.

POR REFUERZO

No tenemos informacin concreta de la red, nos basamos en su conducta global y

sobre ello aprende a decidir.

CONCLUSIONES

Partiendo del estudio del sistema nervioso natural y lo que pretendemos obtener en la
inteligencia artificial, llegamos a un nuevo paradigma de resolucin de clculos muy
diferentes a como se han realizado habitualmente.

Las redes neuronales estn formadas por neuronas interconectadas entre s.

Dichas neuronas actan como si fueran elementos de clculo que se van activando en
funcin del valor que demos al peso sinptico de dicha neurona.

La estructura de una red neuronal estar formada por:

Neuronas de entrada.

Pgina 14 de 16
 Neuronas de salida.

Neuronas ocultas.

Sabemos las neuronas de entrada, las de salida y jugaremos con las ocultas para
obtener el resultado esperado.

Jugando con la arquitectura de la red neuronal y con su aprendizaje obtenemos los

pesos sinpticos de cada neurona.

Durante el aprendizaje realizaremos varios ciclos de entrenamiento hasta conseguir el

ajuste de los pesos W de cada una de las neuronas.

Mediante su peso W activan la seal sinptica de cada neurona y proporcionan el

resultado final que estbamos buscando.

yi(t) = fi((wij * xj) - i)

Dejamos de programar la funcin que resuelve el problema que estamos analizando

para entrenar dicha funcin a travs de una estructura de neuronas interconectadas
entre s.

REFERENCIAS BIBLIOGRAFICAS

Paradigma conexionista en la IA: Aspectos metodolgicos,

J. Mira Mira y A.E. Delgado Garca.

Pgina 15 de 16
 On how the computational paradigm can help us to model and interpret
the neuronal function, J. Mira and E. Delgado,
http://dx.doi.org/10.1007/s11047-006-9008-6

An Introduction to Neural Networks,

http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html

Neural Computing Publications Worldwide,

http://www.ewh.ieee.org/tc/nnc/research/nnpubs.html

Redes neuronales artificiales Wikipedia,

https://es.wikipedia.org/wiki/Red_neuronal_artificial

MARTN DEL BRO, Bonifacio; SANZ MOLINA, Alfredo. Redes

Neuronales y Sistemas Borrosos. RA-MA, 2006.

FREEMAN, James; M. Skapura, David. Redes Neuronales. Algoritmos,

Aplicaciones y Tcnicas de Programacin. Addison-Wesley / Daz de Santos,
1993.

Pgina 16 de 16