31.10.03
Redes Neuronales Artificiales y computación distribuida: CCortex
En la edición del suplemento Ciberp@ís
de ayer 30 de octubre, se da cuenta (página 8) de la iniciativa empresarial
de Marcos Guillén en el campo de la Inteligencia Artificial (IA),
en tanto que fundador de Artificial
Development (AD). Esta empresa, radicada en Silicon Valley, trabaja
actualmente en el prototipo de superordenador
CCortex,
consistente en el desarrollo de un modelo particular de Red
Neuronal Artificial (RNA o ANN
por sus siglas en inglés), que trata de emular las funciones cognitivas
presentes, de modo particular, en la región del córtex cerebral
humano, con el soporte técnico de un cluster muy potente
de servidores:
"Artificial Development is building CCortex, a complete 20-billion
neuron emulation of the Human Cortex and peripheral systems, on a cluster
of 100 computers - the largest neural network created to date."
"CCortex is a massive spiking neuron network emulation and will mimic
the human cortex, the outer layer of gray matter at the cerebral hemispheres,
largely responsible for higher brain functions. The emulation covers up
to 20 billion layered neurons and 2 trillion 8-bit connections."
A modo de aclaración conviene explicar que un cluster de ordenadores
es un sistema distribuido en paralelo, formado por servidores interconectados
de forma que comparten sus recursos, siendo considerados, a todos los efectos,
como un solo servidor. Además de aumentar la capacidad de cálculo
y de memoria, al combinarse las velocidades y características individuales
de proceso, los cluster de ordenadores presentan la ventaja de mejorar
notablemente la disponibilidad general del sistema, al preverse de antemano,
estadísticamente, la tasa de inoperabilidad de cada uno de los servidores
que forman la red distribuida.
Las características técnicas y lógicas de la red
distribuida que soporta al prototipo de emulación cognitiva y neuronal CCortex, sitúan a este sistema,
por capacidad de cálculo, y atendiendo a los datos proporcionados
por AD,
entre los 20 primeros superordenadores más rápidos existentes
en la actualidad:
"The cluster being assembled at AD.com Data Center is a
high-performance, parallel supercomputer, composed of 500 nodes
and one thousand processors, 1.5 terabytes of RAM, and 80 terabytes of
storage."
"The low-cost software/hardware system runs on Linux, Intel and AMD processors.
When all sections are assembled, CCortex is expected to reach a theoretical
peak performance of 4,800 Gflops, making it one of the top 20 fastest computers
in the world. The cluster will be used as a test bed for beta versions
of CCortex."
La orientación de trabajo y desarrollo de este proyecto, con la
vista puesta en su aplicación práctica al mundo de los
negocios, se dirige hacia la investigación y la búsqueda
de nuevas soluciones sobre algunos de los principales problemas que ha
enfrentado tradicionalmente la computación aplicada a la IA,
entendida ésta como modelización del pensamiento y el razonamiento
humanos: visión y reconocimiento de patrones (pattern
recognition), aprendizaje automatizado (machine
learning, específicamente aprendizaje cognoscitivo, aquel
que permite la creación de descripciones de clases, o generalizaciones
a través del análisis de ejemplos particulares), reconocimiento
del lenguaje (speech
recognition), interacción hombre-máquina a nivel
de habla, etc.
El esquema de red neuronal del proyecto CCortex mejora y añade
nuevas características al tipo básico de red Hebbiana (descrita
inicialmente por el psicólogo D.O.
Hebb en "The organization of Behavior", 1949), modelo, algoritmo matemático
o regla de aprendizaje asociativo, conceptualizada para emular, de manera
muy simplificada, el modelo conexionista neuronal presente en la forma de
operar del cerebro
humano respecto de los procesos de aprendizaje.
"[...] Hebb, introdujo [...] dos ideas fundamentales que han
influido de manera decisiva en el campo de las redes neuronales: la idea
de que una percepción o un concepto se representa en el cerebro
por un conjunto de neuronas activas simultáneamente; y la idea de
que la memoria se localiza en las conexiones entre las neuronas (sinápsis).
Las hipótesis de Hebb, basadas en investigaciones psicofisiológicas,
presentan de manera intuitiva el modo en que las neuronas memorizan información,
y se plasman sintéticamente en la famosa regla aprendizaje de Hebb
[...]. Esta regla indica que las conexiones entre dos neuronas se refuerzan
si ambas son activadas. Muchos de los algoritmos actuales proceden de los
conceptos de este psicólogo, y a pesar de las críticas recibidas
[...] sigue teniendo una gran influencia."
La ley o regla de Hebb se resume en la siguiente afirmación:
"Si un elemento de procesado simple recibe una entrada de otro
elemento de procesado y ambos están activos, el peso correspondiente
a su conexión debería reforzarse (aumentar)".
En otras palabras, y a tenor de lo descrito por Hebb, la conexión entre dos neuronas se fortalecerá si en la mayoría de las ocasiones las dos neuronas se "encienden" juntas.
En "Character
Recognition with Hebbian Links" se describe, de forma breve e introductoria,
la aplicación práctica de una RNA
basada en "enlaces Hebbianos", en este caso al reconocimiento de caracteres,
diseñada para diferenciar dos posibles situaciones, y "recordar"
la diferencia encontrada, como parte del proceso de aprendizaje de la red.
Esas dos situaciones son la presencia o no de determinado estado de un
píxel, en su posición dentro de la estructura reticular de
píxeles de una imagen o figura. Entiéndase por "píxel"
un punto en concreto de la rejilla cuadriculada de miles de puntos individuales,
formada en pantalla u otro medio de salida por la representación
binaria de una imagen.
Del esquema básico de la regla de aprendizaje asociativo de Hebb,
se derivan otros algoritmos y reglas
de aprendizaje: redes de adaptación probabilística de
Hopfield (J.J. Hopfield, 1982), regla Delta (utilizada para el cálculo de los pesos en las estructuras neuronales conocidas como "Adaline"), etc. Se pueden localizar varios
enlaces relativos a las RNA
en una anotación
anterior, en la que se hablaba de su aplicación a la Documentación,
a los que cabría añadir nuevas referencias, dentro de la
ingente cantidad de información que sobre este particular se puede
localizar tanto en la bibliografía
en soporte impreso como en Internet:
Las RNA se
vienen aplicando al campo de la Documentación y la RI
a través de varias vías de trabajo, fundamentalmente: mapas
autoorganizativos (SOM,
Self-Organizing
Maps) para la visualización y la recuperación de
información; minería de datos (Data
Mining); reconocimiento de patrones binarios asociados al contenido
documental (creación de índices a partir de datos en bruto)
y procesos de reconocimiento óptico de caracteres (OCR)
para gestión y procesamiento de grandes masas documentales. Se trata
por tanto, en general, de procesos de clasificación automática
de la información, y búsqueda posterior mediante métodos
alternativos a los tradicionales (ficheros inversos, registros relacionales,
búsquedas secuenciales, etc.).
Los esfuerzos actuales para el desarrollo futuro de CCortex
y otros proyectos de IA, fundamentados sobre la base de redes neuronales artificiales
orientadas a los procesos de aprendizaje y reconocimiento, más eficientes
y aproximadas, en relación con las utilizadas hoy en día,
al modo de razonar y aprehender la realidad característico de los
seres humanos, se centran en la consecución de modelos matemáticos
y algorítmicos de las funciones de la memoria y la consciencia humanas,
avances que deberán ir necesariamente acompañados por un
desarrollo paralelo y creciente de la capacidad de cálculo y almacenamiento
de los sistemas computacionales de proceso de datos.
[0] comentarios | # | lista |
