En nuestros días, el uso de redes neuronales está cada vez más integrado en las nuevas
tecnologías: inteligencia artificial, o reconocimiento de formas.

Así mismo su uso se extiende al reconocimiento y etiquetado de imágenes, el
reconocimiento de la voz y las traducciones instantáneas.

¿Cómo funciona una red neuronal?
Aunque el nombre pueda hacernos pensar lo contrario, las redes neuronales no
implican un concepto demasiado complejo en lo que esencialmente son.

El nombre está asociado a la idea de imitar el funcionamiento de las redes neuronales
de los organismos vivos: un conjunto de neuronas conectadas entre sí y que trabajan
en conjunto, sin que haya una tarea concreta para cada una.

Es a través de la experiencia que estas neuronas van creando y reforzando ciertas
conexiones para "aprender"; algo que va quedando fijo en el tejido.

El enfoque biológico, sin embargo, no ha sido especialmente útil: las redes neuronales
han ido moviéndose más bien para tener un foco en matemáticas y estadística.

Las redes neuronales se basan en una idea sencilla: una vez tenemos dados unos
parámetros hay una forma de combinarlos para predecir un cierto resultado.

Por ejemplo, sabiendo los píxeles de una imagen habrá una forma de saber qué
número hay escrito, o conociendo la carga de servidores de un Centro de
Procesamiento de Datos (CPD), su temperatura. Además existirá una manera de saber
cuánto van a consumir, como hacía Google. El problema principal reside en que no
sabemos cómo combinarlos.

Acertando quinielas con redes neuronales
A los pocos años de vida nuestro cerebro empieza a reconocer números. Esto sucede
mediante un entrenamiento basado en la visualización de imágenes: cada número
tenía un símbolo que lo representaba, y del cual se nos explicaba su significado y/o
valor.

Mediante los múltiples ejemplos de números escritos de distintas formas y caligrafías,
nuestro cerebro estableció las conexiones neuronales adecuadas que ahora nos
permiten reconocer sin problemas cualquier número.

Una tarea que no resulta fácil para un ordenador; no es tan sencillo escribir un código
con instrucciones que reconozcan que un 2 es un dos. O que cuando se reciba la imagen de una silla de diseño, que no se ajuste a los parámetros más convencionales, se sepa que es una silla y no otro mueble.

Que empiece el partido
Si los únicos datos que introducimos, cuando deseamos predecir el resultado de un
partido de futbol, son por ejemplo los goles que anteriormente ha marcado cada
equipo, lo que van a hacer las redes neuronales es anunciar que es más probable que
gane el equipo que haya marcado más goles antes del partido.

Seguramente esto tampoco es una maravilla de predicción.
Quizás necesitaríamos más información, como el número de goles en contra, los tiros a
puerta o la posesión de balón. Porque de cuántos más datos e información estadística
dispongamos mejor podremos elaborar una predicción a través de las redes
neuronales.

Vamos a incorporar estos datos a nuestra red. Teniendo siempre en cuenta que todos
los datos que añadamos estarán normalizados igual que el número de goles.
Pero hay más detalles importantes y variables a tener en cuenta para poder acertar
mediante las redes neuronales.

Por ejemplo ¿es más importante el número de goles marcados o el número de tiros a
puerta? Lo que debemos hacer es dar distintos pesos a estas variables.

En definitiva, la probabilidad de un acierto a través de una red neuronal será siempre
exponencialmente más alta en cuánto sepamos introducir cantidad y calidad de datos
para poder determinar un resultado.