¿Cuáles son los pros y los contras de las redes neuronales artificiales?

En ciencias de la computación y campos relacionados, las redes neuronales artificiales ( ANN ) son modelos computacionales inspirados en el sistema nervioso central de un animal (en particular, el cerebro ) que es capaz de aprendizaje automático y reconocimiento de patrones . Las redes neuronales artificiales generalmente se presentan como sistemas de ” neuronas ” interconectadas que pueden calcular valores a partir de entradas. – Red neuronal artificial

Ventaja principal: el desarrollo de metodologías heurísticamente más robustas para desarrollar algoritmos.

Ventaja principal: la ilusión de que imitar y modelar (especialmente) el SNC humano es uno en lo mismo, lo que no es lo más enfático (tenga en cuenta que los modelos mencionados en el pasaje citado anteriormente son modelos computacionales ).

La esencia del problema surge siempre que la noción de utilizar modelos computacionales para, por ejemplo, replicar la conciencia humana (IA “verdadera”)

El problema en este caso es triple:

(1) La mente humana demostrablemente no “funciona” algorítmicamente.
(2) Nadie sabe qué es la conciencia humana, y mucho menos cómo funciona.
(3) Dado que un “modelo” es una simulación coherente de algún aspecto de la realidad: (a) como se mencionó, lo que la conciencia humana es desconocida, y (b) a priori, lo desconocido no puede ser modelado, solo, tal vez imitado ( cf. prueba de Turing)

Los ANN son buenos para modelar los datos no lineales con un gran número de características de entrada, por ejemplo, imágenes.

Los límites de clasificación son difíciles de entender intuitivamente y los ANN son computacionalmente caros.

Si tiene el conjunto de datos con un pequeño número de características de entrada, podría ser mejor usar algún otro modelo para reducir la complejidad del cálculo, ya que es posible clasificar datos no lineales con otros clasificadores, como la regresión logística polinómica o SVM también.

Contras: los NN solo se pueden usar para entradas numéricas, vectores con un número constante de valores y conjuntos de datos con datos que no faltan.

Utilizados correctamente, pueden ser entrenados para resolver algunas clasificaciones de problemas que son difíciles de resolver con un algoritmo directo.

La forma en que realmente resuelven ese problema es un poco como una caja negra. No puede simplemente analizar el ANN después de entrenarlo y descubrir cómo funciona para crear un algoritmo sencillo.

Además, es prácticamente imposible ajustar el comportamiento de un ANN. Todo lo que puede hacer es ajustar su conjunto de entrenamiento y entrenar nuevamente.

En resumen, la red neuronal artificial podría usarse para modelar cualquier conjunto de datos; sin embargo, el modelo matemático debajo del ANN no es representativo.