Feedforward Neural Network o las redes neuronales prealimentadas

Las Feedforward Neural Network (FNN) son redes neuronales simples que solo transmiten información de una capa a la siguiente superior. Se dividen en redes de una sola capa (Single-Layer-FNN) y de múltiples capas (Multi-Layer-FNN), y tienen diferentes áreas de aplicación en el campo del deep learning.

¿Qué es una Feedforward Neural Network (FNN)?

Una Feedforward Neural Network (FNN) es una red neuronal que está formada por neuronas artificiales y funciona completamente sin retroalimentación. Este tipo de red se considera una forma de red neuronal artificial particularmente sencilla, ya que actúa siempre y exclusivamente hacia delante. Las Feedforward Neural Network profundas son un elemento importante para la creación de modelos en el campo del deep learning y la inteligencia artificial. En función del número de capas (o layers en inglés) que se utilicen, se distingue entre Single-Layer-FFN y Multi-Layer-FFN.

¿Cómo funciona una Feedforward Neural Network?

Como cualquier red neuronal artificial, la Feedforward Neural Network, también conocida como red neuronal prealimentada, se inspira en última instancia en el cerebro humano. Este último también procesa la información a través de una red neuronal. La FNN también consiste al menos de dos capas: una capa de entrada (input layer) y una capa de salida (output layer). Entre ellas, puede haber cualquier número de capas adicionales (hidden layers). Cada capa está conectada exclusivamente a la capa siguiente. Esta conexión se crea mediante los llamados bordes. En una Feedforward Neural Network, toda la información fluye en una sola dirección, es decir, desde la capa de entrada hasta la capa de salida.

• Input layer : la capa de entrada recibe todos los datos que se introducen en la Feedforward Neural Network. Cada neurona de esta capa corresponde a una propiedad de los datos de entrada.
• Hidden layers: puede haber capas ocultas entre las capas de entrada y salida. Cada una de estas capas está formada por varias neuronas que se conectan tanto a la capa de entrada como a la de salida.
• Output layer: la capa de salida emite el resultado final de la Feedforward Neural Network.

En una Feedforward Neural Network o red neural prealimentada, se realizan una serie de entradas en la input layer. Las neuronas de esta capa reciben la información y la ponderan. A continuación, la transmiten a la capa de salida en una Single-Layer-FFN o, de forma previa, a las capas ocultas en una Multi-Layer-FNN. Si la información entra en la zona de las capas ocultas, se vuelve a ponderar allí. Sin embargo, como este procesamiento no es visible, se habla de una capa oculta. Por último, las neuronas de la capa de salida emiten como resultado la información procesada.

A lo largo del proceso, las diferentes informaciones ponderadas se suman en cada paso. A continuación, se utiliza un valor umbral para determinar si una neurona debe transmitir la información o no. Este valor suele ser cero o Null. En una Feedforward Neural Network, no hay conexiones de retroceso entre las distintas capas, sino que solo existe una conexión con la capa inmediatamente superior.

¿Cuáles son los ámbitos de aplicación más importantes?

Existen numerosos posibles campos de aplicación para las Feedforward Neural Network. Especialmente cuando se trata de procesar y conectar grandes cantidades de datos no estructurados, estas redes ofrecen numerosas ventajas. Estos son algunos posibles ámbitos de uso:

• Reconocimiento y procesamiento del lenguaje: las redes Feedforward Neural Network pueden utilizarse para convertir texto en lenguaje hablado o viceversa, es decir, convertir lenguaje hablado en texto.
• Reconocimiento y procesamiento de imágenes: es posible analizar imágenes e identificar determinadas características. Por ejemplo, se pueden digitalizar notas escritas a mano.
• Clasificación: mediante una Feedforward Neural Network, es posible clasificar datos en función de unos parámetros definidos.
• Predicción: las redes neuronales prealimentadas también son adecuadas para predecir acontecimientos o tendencias con una buena precisión. Se pueden utilizar, por ejemplo, en la previsión meteorológica o en diversos sistemas de alerta temprana en los ámbitos del control de catástrofes, la navegación espacial y la defensa.
• Detección de fraudes: las redes Feedforward Neural Network también pueden desempeñar un papel importante en la identificación de actividades o patrones fraudulentos.

¿En qué se diferencia de una Recurrent Neural Network (RNN)?

Lo opuesto a una Feedforward Neural Network es la Recurrent Neural Network (RNN), también conocida como red neuronal recurrente. Aunque funciona de forma similar y transmite información a través de las neuronas desde la capa inicial a la final, esta última también puede enviarla de vuelta. En una red de este tipo, se almacenan conexiones a través de las cuales la información pasa por las capas hacia atrás y luego de nuevo hacia delante. De esta manera, la red cuenta con bucles de retroalimentación, donde se pueden almacenar datos.

Este tipo de redes se utilizan sobre todo cuando el contexto es importante para encontrar resultados. Esto es especialmente útil en el tratamiento de textos: por ejemplo, un banco puede referirse a una institución financiera, un asiento alargado o incluso un conjunto de peces. El sentido correcto solo se puede determinar a través del contexto. En cambio, las redes Feedforward Neural Network no disponen de este tipo de almacenamiento.