¿Qué es una red neuronal convolucional?

Las CNN procesan las imágenes de entrada pasándolas por varias capas. Las primeras capas identifican características sencillas, como bordes y líneas, mientras que las capas más profundas reconocen patrones, formas y, finalmente, objetos completos más complejos. Este método de extracción de características de forma jerárquica es lo que hace que las CNN sean tan eficaces para el reconocimiento de imágenes y otras tareas de visión artificial.

Imagina que una CNN es un equipo de especialistas que analizan una fotografía para identificar un objeto. Cada capa tiene una tarea específica en una cadena de montaje de reconocimiento.

1. Capa convolucional: los escáneres de características

Este es el primer grupo de especialistas. A cada uno se le da una característica única y sencilla que buscar, como un borde recto, una curva o un color específico. Deslizan una pequeña lupa (el "filtro") por toda la imagen y toman nota cada vez que encuentran la característica que se les ha asignado. Esto crea un conjunto de "mapas de características", que son básicamente mapas de dónde se encuentran las características básicas.

2. Capa de activación (ReLU): el filtro de significación

Tras el escaneado inicial, un administrador (la función ReLU) revisa los mapas de características. Su función es sencilla: conservar las señales fuertes y descartar las débiles. Introduce la no linealidad, lo que garantiza que solo las funciones más importantes y claramente identificadas se pasen para su posterior análisis. De esta forma, se evita que el ruido interfiera en el proceso.

3. Capa de agrupación: los resumidores

La capa de agrupación actúa como un gestor regional. En lugar de analizar cada detalle, la capa de agrupación resume los hallazgos de pequeños parches del mapa de características. Por ejemplo, una capa de agrupamiento máximo examinará un área de 2x2 de un mapa de características y solo informará de la señal más fuerte. De esta forma, se reduce el tamaño general de los datos, lo que hace que la red sea más eficiente y la ayuda a reconocer un objeto independientemente de dónde aparezca en el fotograma (un concepto denominado "invariancia traslacional").

4. Capa totalmente conectada: el detective jefe

Tras varias rondas de escaneo y resumen, los informes finales de las funciones se entregan al detective jefe. Esta capa analiza la combinación de características de alto nivel ("tiene bigotes", "tiene orejas puntiagudas", "tiene textura de pelo") y toma la decisión final. Conecta todos los hallazgos resumidos para extraer una conclusión, como "Según todas las pruebas, el objeto de esta imagen es un gato". El resultado se pasa a una capa de salida final (como softmax) que da una probabilidad para cada clasificación posible.

Aunque tanto las redes neuronales convolucionales como las tradicionales están diseñadas para procesar datos y hacer predicciones, difieren significativamente en su arquitectura, aplicación y otras características clave.

Las CNN han transformado la visión artificial, permitiendo que las máquinas "vean" y comprendan las imágenes con precisión. Su capacidad para aprender representaciones jerárquicas de datos visuales ha supuesto un gran avance en diversas tareas de visión artificial, como las siguientes:

La clasificación de imágenes, una tarea fundamental de la visión artificial, consiste en etiquetar una imagen completa en función de su contenido. Las CNN destacan en esta tarea y consiguen resultados excelentes en conjuntos de datos como ImageNet. Su capacidad para aprender características complejas a partir de datos de píxeles brutos las hace muy eficaces a la hora de reconocer objetos, escenas e incluso emociones en las imágenes.

La detección de objetos va más allá de la clasificación, ya que identifica los objetos de una imagen y señala su ubicación. Las CNN son fundamentales en los algoritmos de detección de objetos, ya que permiten que aplicaciones como los coches autónomos perciban su entorno, que los robots se desplacen por entornos complejos y que los sistemas de seguridad detecten amenazas.

Las aplicaciones de las CNN van mucho más allá de las tareas relacionadas con imágenes. Su capacidad para aprender jerarquías espaciales de características las hace valiosas en diversas áreas, como las siguientes:

• Procesamiento del lenguaje natural: las CNN pueden analizar texto tratando las frases como "imágenes" unidimensionales en las que cada palabra o carácter es una característica. Esto les permite identificar patrones y relaciones en los datos de texto, lo que los hace útiles para tareas como el análisis de opinión (clasificar el texto como positivo, negativo o neutro) y la traducción de idiomas (asignar frases de un idioma a otro).
• Análisis de imágenes médicas: en el ámbito de la sanidad, las CNN se pueden entrenar con grandes conjuntos de datos de imágenes médicas (radiografías, resonancias magnéticas o tomografías computarizadas) para detectar patrones y anomalías sutiles que indiquen una enfermedad. Esto puede ayudar a los radiólogos en tareas como detectar tumores en mamografías, identificar fracturas en radiografías o segmentar órganos en tomografías computarizadas, mejorando la precisión y la eficiencia del diagnóstico, y ayudando en la planificación de tratamientos personalizados.
• Descubrimiento de fármacos: las CNN pueden acelerar el descubrimiento de fármacos analizando estructuras moleculares. Al aprender las relaciones entre la estructura de una molécula y sus propiedades, las CNN pueden predecir la eficacia, la toxicidad y otras características de posibles candidatos a fármacos. Este cribado "in silico" de grandes bibliotecas químicas puede reducir el tiempo y el coste asociados a los métodos tradicionales de descubrimiento de fármacos.
• Modelado financiero: gracias a su capacidad para analizar datos secuenciales, las CNN también pueden ser muy útiles en el ámbito financiero. Al tratar los datos financieros de series temporales (precios de acciones, tipos de cambio de divisas, indicadores económicos) como "imágenes" unidimensionales, las CNN pueden identificar tendencias, patrones y anomalías que los métodos estadísticos tradicionales podrían pasar por alto. Esto puede ayudar a las instituciones financieras a tomar decisiones de inversión más fundamentadas, predecir la volatilidad del mercado y gestionar el riesgo de forma más eficaz.

Google Cloud proporciona un ecosistema completo para aplicar CNN, tanto si necesitas una solución lista para usar como una plataforma potente para crear la tuya propia.

Para funciones de visión entrenadas previamente: si necesitas añadir funciones de visión potentes a tu aplicación sin tener que crear un modelo desde cero, servicios como Vision AI te permiten acceder a modelos basados en CNN a través de una API sencilla para tareas como la detección de objetos y el reconocimiento de texto. De forma similar, Document AI usa CNN para entender y extraer datos de documentos complejos.

Para crear, entrenar y desplegar modelos personalizados: cuando necesites entrenar una CNN con tus propios datos, Vertex AI te ofrece una plataforma unificada. Gestiona todo el ciclo de vida del aprendizaje automático, desde la preparación de los datos y el entrenamiento hasta el despliegue y la monitorización de tus modelos de CNN personalizados a escala.

Para acelerar el entrenamiento de alto rendimiento: entrenar redes neuronales convolucionales (CNN) grandes y de última generación requiere muchos recursos computacionales. Las TPU de Cloud son aceleradores por hardware diseñados a medida por Google específicamente para agilizar el entrenamiento de modelos de aprendizaje profundo, lo que te permite innovar más rápido.