El estudiante que nunca deja de corregirse: cómo aprenden las redes neuronales

Elizabeth Cadenas Castrejón¹, Pablo Presscok López Jiménez² y Katia Aviña Padilla³¹Cinvestav Irapuato  ²BioCódigo SAS de CV  ³Cinvestav CDMX

En nuestro cerebro conviven miles de millones de neuronas, conectadas entre sí por sinapsis, lo que posibilita el procesamiento de la información y el aprendizaje. Esa arquitectura biológica, simple en sus piezas pero asombrosamente poderosa en conjunto, fue la inspiración que un grupo de científicos tomó a mediados del siglo XX para construir un sistema capaz de aprender por sí mismo, sin que nadie le dictara, regla por regla, qué hacer.

Así nacieron las redes neuronales artificiales.

Una neurona artificial no es una célula, sino una operación matemática. Recibe varias señales de entrada, a las que asigna un "peso" según su importancia. Con esos pesos se calcula una suma ponderada, y ésta determina si la neurona se "activa" y transmite la señal a la siguiente capa. Miles de estas neuronas simples, organizadas en capas conectadas entre sí, forman una red.

La estructura básica tiene tres partes:

●        Capa de entrada: recibe la información cruda (por ejemplo, los píxeles de una imagen).

●        Capas ocultas: procesan esa información en niveles de abstracción creciente.

●        Capa de salida: entrega el resultado final (por ejemplo, "esto es un gato").

Al principio, una red neuronal no sabe nada, sólo tiene números aleatorios en sus conexiones. Es como un estudiante recién llegado a clase, sin ningún conocimiento previo. Cada vez que se equivoca, en lugar de frustrarse, se le dice cuánto se equivocó. Esa diferencia entre lo predicho y lo correcto se llama función de pérdida (loss function) y es la brújula que guía todo el aprendizaje.

Con esa información del error, la red recorre sus propias conexiones hacia atrás y ajusta ligeramente cada uno de sus pesos, buscando reducir el error la próxima vez. Este proceso se llama retropropagación (backpropagation), y se repite miles de veces con cada ejemplo.

Es un poco como afinar un instrumento: cada ajuste es pequeño, casi imperceptible, pero la acumulación de miles de correcciones termina produciendo algo afinado y preciso.

¿Realmente "entiende"?

Una red neuronal no comprende el mundo como lo hace un ser humano. Lo que hace es encontrar, entre millones de números, un patrón estadístico que separa los datos según la categoría que le interesa: por ejemplo, las imágenes de gatos de las que no lo son. Esto es aprendizaje por patrones estadísticos, no por significado.

Este tipo de aprendizaje, si se escala con suficientes datos y potencia de cómputo, es lo que hoy permite que un modelo reconozca un tumor en una mamografía, traduzca un idioma que nunca estudiaste o genere una imagen a partir de una simple descripción de texto.

Lo fascinante de las redes neuronales no es la complejidad de cada pieza individual, sino lo que ocurre cuando se conectan millones de esas piezas simples y se les da suficiente tiempo, datos y ejemplos para equivocarse y corregirse. Al final, no memorizan el mundo: aprenden a reconocerlo.

Referencias:

Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/NATURE14539;SUBJMETA

Mienye, I. D., Swart, T. G., Obaido, G., Jordan, M., & Ilono, P. (2024). Deep Convolutional Neural Networks: A Comprehensive Review. https://doi.org/10.20944/PREPRINTS202408.1288.V1

Shobayo, O., & Saatchi, R. (2025). Developments in Deep Learning Artificial Neural Network Techniques for Medical Image Analysis and Interpretation. Diagnostics 2025, Vol. 15, Page 1072, 15(9), 1072. https://doi.org/10.3390/DIAGNOSTICS15091072