Redes neuronales artificiales
Sinónimos: ANN · Artificial neural networks · Red neuronal artificial
Definición ampliada
Las redes neuronales artificiales son modelos computacionales compuestos por unidades conectadas y organizadas habitualmente en capas. Cada conexión aporta un peso ajustable; durante el entrenamiento, el modelo modifica esos pesos para reducir el error entre sus predicciones y los resultados esperados. Las capas intermedias permiten aprender representaciones progresivamente más abstractas de los datos [1].
Contexto histórico
Las primeras formulaciones matemáticas de neuronas artificiales aparecieron en la década de 1940. El perceptrón impulsó el campo a finales de los años cincuenta, y la difusión del entrenamiento por retropropagación en los años ochenta hizo viables redes con varias capas. Desde la década de 2010, la combinación de conjuntos de datos amplios, procesadores especializados y nuevas arquitecturas consolidó el aprendizaje profundo [1].
Importancia actual
A fecha de agosto de 2026, las redes neuronales sustentan gran parte de los sistemas de visión, voz y lenguaje. Su importancia no depende de una única arquitectura: constituyen la familia general dentro de la que se sitúan, entre otros, los transformadores y las redes convolucionales.
Aplicaciones
Generales
- Clasificación de imágenes, sonidos y textos.
- Predicción a partir de datos históricos.
- Reconocimiento de patrones y detección de anomalías.
- Generación de texto, imagen, audio y otros contenidos.
Sanitarias
- Apoyo al análisis de imágenes médicas.
- Extracción de información de notas clínicas.
- Estimación de riesgos a partir de datos estructurados.
- Identificación de patrones en señales fisiológicas.
Limitaciones
- Pueden requerir muchos datos y recursos de cómputo.
- Su rendimiento depende de la representatividad y calidad de los datos.
- Es difícil explicar de forma completa algunas predicciones.
- Pueden aprender correlaciones espurias y reproducir sesgos.
- El desempeño observado en entrenamiento no garantiza generalización clínica.
Ejemplos
Una red puede aprender a clasificar fotografías después de recibir numerosos ejemplos etiquetados. En sanidad, otra red puede señalar regiones sospechosas en una imagen radiológica para que las revise un profesional, sin convertir esa señal en un diagnóstico autónomo.