Qué es una neurona, una capa y una red

Pocas palabras en todo el mundo de los datos cargan con tanta mística como redes neuronales. Suenan a cerebro artificial, a inteligencia que emerge sola, a algo casi mágico que entiende el mundo. Buena parte de esa aureola es ruido, y una de las cosas más útiles que vas a hacer en esta lección es desmontarla. Una red neuronal no piensa, no entiende y no se parece a un cerebro más de lo que un avión se parece a un pájaro: tomó una idea prestada de la biología hace décadas, la simplificó hasta dejarla irreconocible, y se quedó con un mecanismo matemático que, eso sí, resulta sorprendentemente capaz. Hoy vas a ver ese mecanismo por dentro, pieza a pieza, y vas a descubrir que la pieza básica es más simple de lo que su fama hace temer.

Vale la pena empezar por el reflejo correcto, el mismo que acabas de ejercitar con la interpretabilidad: ante cualquier modelo del que se habla con reverencia, la pregunta no es cuánto me impresiona, sino de qué está hecho y qué hace exactamente. Las redes se explican entendiendo tres cosas encadenadas, cada una construida sobre la anterior: qué es una neurona, qué es una capa y qué es una red. Si entiendes esas tres, entiendes la idea entera, y todo lo demás son variaciones y detalles de ingeniería. En esta lección no vas a entrenar nada; vas a montar y mirar las piezas con calma, porque entrenar una red sin saber qué es una neurona es como pilotar sin saber qué hace el motor.

## La neurona: alguien que pondera señales y decide si pasa el aviso

Empecemos por lo más pequeño. Una neurona artificial es una cosa que toma varias entradas, les da a cada una una importancia distinta, las junta en un solo número y luego decide, a partir de ese número, cuánto se activa. Eso es todo. No hay nada misterioso dentro: es una suma con pesos seguida de una decisión. Vamos a desgranarlo con una imagen antes de ponerle los nombres técnicos.

Imagina a una persona que decide si sale a correr. Recibe varias señales: hace sol o no, está cansada o no, tiene tiempo libre o no, le duele la rodilla o no. No todas pesan igual: el dolor de rodilla pesa mucho y en contra, el sol pesa a favor pero moderado, el cansancio pesa en contra. Esta persona hace, sin pensarlo, una suma mental: pone cada señal con su peso (positivo si empuja a correr, negativo si frena), lo junta todo, y si el total supera cierto punto, sale; si no, se queda. Una neurona artificial hace exactamente eso, pero con números y de forma explícita. Las señales son las entradas, los pesos son cuánto importa cada una, la suma los junta en un número, y una última función decide cuánto se activa a partir de ese número.

Pongámosle los nombres. Las entradas son los valores que recibe la neurona: en nuestro caso serían las variables de una fila de datos (el ingreso, la edad, lo que sea). Cada entrada se multiplica por un peso, que es un número que dice cuánto importa esa entrada y en qué dirección: un peso grande y positivo significa que esa entrada empuja con fuerza hacia la activación, uno negativo que la frena, uno cercano a cero que da casi igual. Todos esos productos se suman, y se les añade un número extra llamado sesgo, que desplaza el resultado hacia arriba o hacia abajo (es como el punto a partir del cual la persona decide salir a correr: puedes ser más o menos propenso de salida). Hasta aquí tienes un solo número: la suma ponderada más el sesgo.

Y entonces viene la última pieza, la que da a la neurona su carácter: la función de activación. Ese número que has calculado pasa por una función que decide la salida final. La más común hoy se llama ReLU, y su regla es casi cómica de simple: si el número es negativo, la salida es cero (la neurona no se activa, no pasa el aviso); si es positivo, la salida es ese mismo número (la neurona se activa en proporción a lo fuerte que fue la señal). Dicho de otro modo, ReLU deja pasar lo positivo y corta lo negativo. Parece una tontería, pero esa decisión de apagarse o encenderse es justo lo que permite a una red hacer cosas que una simple recta no puede, y enseguida verás por qué.

Fíjate en lo que acabas de ver: una neurona no es más que una fórmula con pesos ajustables y una función de activación. Lo que convierte a esa fórmula en algo útil es que los pesos y el sesgo no los pones tú a mano, los aprende la red a partir de los datos (eso es lo que pasa al entrenar, y lo verás cuando entrenes una de verdad). Pero el mecanismo que esos números gobiernan es este, y es sencillo. Toda la potencia que viene después se construye encadenando muchas de estas piezas simples, no haciendo cada pieza más lista.

Conviene aquí matar del todo la analogía con el cerebro, porque es la fuente de casi toda la mística. Es verdad que la neurona artificial se inspiró, allá por los años cuarenta, en una idea muy simplificada de cómo las neuronas biológicas reciben señales de otras y, si la suma supera cierto umbral, disparan la suya. Esa inspiración le dio el nombre y poco más. Una neurona artificial es una línea de aritmética; una neurona biológica es una célula viva de una complejidad que todavía no entendemos del todo. Confundir las dos lleva a atribuir a las redes propiedades que no tienen: no comprenden, no razonan, no tienen intención. Hacen aritmética a gran escala, y lo hacen asombrosamente bien para ciertas tareas, pero el parecido con el cerebro es tan lejano como el de una cometa con un águila. Te conviene tener esto claro para no dejarte impresionar por quien vende las redes como mentes artificiales: son máquinas de ajustar números, y entenderlas así te hace mejor en el oficio, no peor.

## La capa: muchas neuronas mirando lo mismo desde ángulos distintos

Una sola neurona no da para mucho: solo sabe ponderar las entradas de una manera y decir un número. El salto llega cuando pones varias neuronas en paralelo, todas recibiendo las mismas entradas pero cada una con sus propios pesos. A ese conjunto de neuronas que trabajan a la vez sobre la misma entrada se le llama una capa. Las mismas variables de una fila llegan a las, digamos, cuatro neuronas de la capa, y cada neurona las pondera a su manera y produce su propia salida. Donde antes tenías un número, ahora tienes cuatro, cada uno fruto de mirar las mismas entradas con otros pesos.

La imagen que ayuda es la de un panel de personas evaluando lo mismo con criterios distintos. Imagina cuatro catadores probando el mismo vino: todos reciben el mismo vino (las mismas entradas), pero uno se fija sobre todo en el aroma, otro en la acidez, otro en el cuerpo, otro en el final. Cada uno pondera las señales a su manera y da su veredicto. Las cuatro notas juntas describen el vino mucho mejor que la de un solo catador, porque cada neurona de la capa se especializa, con sus pesos, en captar un aspecto distinto de la misma entrada. Una capa es ese panel: muchas miradas en paralelo sobre lo mismo.

Técnicamente, calcular una capa entera no es más que repetir la operación de la neurona para cada una de sus neuronas, y eso se expresa de maravilla con una multiplicación de matrices: una fila de pesos por neurona, las entradas por un lado, y en una sola operación salen todas las sumas ponderadas a la vez. No necesitas dominar el álgebra para entender la idea, pero sí quédate con esto, porque explica por qué las redes corren tan rápido en hardware moderno: todo el trabajo de una capa es, por dentro, multiplicar matrices, y multiplicar matrices es justo lo que las tarjetas gráficas hacen a enorme velocidad. La elegancia del invento está también en que encaja con el hardware.

## La red: capas encadenadas que construyen ideas cada vez más abstractas

Y aquí llega la tercera pieza, la que da nombre a todo. Una red neuronal es, sencillamente, varias capas encadenadas: la salida de una capa es la entrada de la siguiente. Las entradas (tus variables) llegan a la primera capa, que produce sus números; esos números entran en la segunda capa, que produce los suyos; y así hasta la última capa, que da la predicción final. Las capas de en medio, las que no son ni la entrada ni la salida, se llaman capas ocultas, y son donde ocurre la magia aparente. Cuantas más capas, más profunda es la red, y de ahí viene el término del que tanto se habla: aprendizaje profundo no quiere decir nada más misterioso que una red con muchas capas.

Lo verdaderamente notable de encadenar capas es lo que ocurre con la información a medida que la atraviesa: cada capa construye una representación un poco más abstracta que la anterior. La primera capa combina las variables en bruto en patrones simples; la segunda combina esos patrones simples en patrones más complejos; la tercera, en patrones aún más generales. Es como ir subiendo de nivel de abstracción. El ejemplo clásico es el reconocimiento de imágenes: la primera capa aprende a detectar bordes y manchas de color, la siguiente combina bordes en formas (una curva, una esquina), la siguiente combina formas en partes (un ojo, una rueda), y la última combina partes en objetos enteros (una cara, un coche). Nadie le dice a la red qué es un ojo: ella construye esa idea sola, apilando combinaciones de lo que vino antes.

Esto conecta con algo que ya conoces y le da sentido: la ingeniería de variables. Recuerda que crear buenas variables (combinar columnas, extraer el día de la semana de una fecha, calcular proporciones) era de las cosas que más mejoraban un modelo, y que exigía conocimiento del problema y trabajo manual. Pues bien, una de las razones por las que las redes profundas dieron tanto que hablar es que, en cierto sentido, aprenden ellas solas esas combinaciones útiles: cada capa oculta va fabricando variables nuevas a partir de las anteriores, sin que tú se las diseñes. En problemas donde las buenas variables son muy difíciles de construir a mano (imágenes, sonido, texto), esa capacidad de fabricarlas sola es lo que las hizo ganar. Guarda esta idea, porque matiza mucho el entusiasmo: donde las variables buenas son fáciles de construir a mano, esa ventaja de la red pesa mucho menos.

Un apunte histórico, porque explica por qué las redes llegan con tanto ruido a tu alrededor. La idea de la neurona artificial es vieja: se formuló en los años cuarenta, y el mecanismo de entrenamiento que las hizo prácticas se popularizó en los ochenta. Pero las redes murieron dos veces, en el sentido de que la comunidad las dio por un callejón sin salida y dejó de investigarlas, porque no había ni datos suficientes ni ordenadores capaces de entrenarlas. Resucitaron a partir de 2012, cuando por fin coincidieron tres cosas: montañas de datos, tarjetas gráficas potentes y baratas, y algunos trucos de entrenamiento nuevos. No fue que la idea mejorara mucho; fue que el mundo por fin tenía con qué alimentarla. Esa historia de dos muertes y una resurrección es una vacuna contra la mística: las redes no son magia reciente, son una idea vieja a la que por fin le llegó su momento.

## Por qué la activación lo cambia todo

Vale la pena entender por qué esa función de activación, que parecía un apéndice menor de la neurona, es en realidad la pieza que hace posible todo lo demás. Imagina por un momento que la quitas: una neurona sin activación es solo una suma ponderada, es decir, una combinación lineal de las entradas, lo mismo que hace una recta de regresión. Y aquí está lo importante: si encadenas muchas capas que solo hacen combinaciones lineales, el resultado de encadenarlas sigue siendo una simple combinación lineal. Diez capas sin activación no valen más que una sola; toda esa profundidad se colapsa en una recta. Dicho de otro modo, sin la activación, una red profunda no podría aprender nada que una humilde recta no aprendiera ya, y toda la fama de las redes se vendría abajo.

La función de activación rompe esa linealidad, y ahí está su magia. Al cortar lo negativo y dejar pasar lo positivo, ReLU introduce un codo, un punto donde el comportamiento cambia de golpe. Encadenando muchas neuronas con esos codos, la red puede dibujar fronteras tan retorcidas como haga falta: una espiral, una isla dentro de otra, cualquier forma que una recta jamás podría separar. Esa capacidad de doblarse, de no ser una simple línea, es lo que distingue a una red de un modelo lineal, y toda ella viene de la función de activación. Por eso no es un detalle: es la razón de que apilar capas valga la pena.

Un apunte sobre nombres, porque te vas a cruzar con ellos. ReLU es la función de activación más común hoy, pero no es la única. Durante mucho tiempo se usaron otras, con nombres como sigmoide o tangente hiperbólica, que en vez de un codo seco dibujan una curva suave en forma de ese. Funcionan, pero tienen un problema práctico que ReLU evita: en redes profundas, esas curvas suaves hacen que las correcciones del entrenamiento se vayan apagando a medida que viajan por las capas, y la red deja de aprender en las capas de más al fondo. ReLU, al ser recta en su parte positiva, deja pasar esas correcciones sin apagarlas, y por eso destronó a las demás cuando las redes empezaron a hacerse profundas. No necesitas los detalles ahora; quédate con que la elección de la activación tiene consecuencias y que ReLU ganó por una razón de ingeniería concreta, no por capricho.

Con esto tienes el mapa mental completo: la neurona pondera y decide, la capa pone muchas neuronas en paralelo, y la red encadena capas que construyen ideas cada vez más abstractas. No has entrenado nada todavía, y es a propósito: igual que no se pilota sin saber qué hace el motor, no se entrena una red sin saber qué son sus piezas. Cuando llegue el momento de entrenar una de verdad, en tu navegador, vas a ver que, pese a toda su fama, obedece al mismo contrato de siempre y que no siempre es la mejor opción. Pero ahora, cuando veas el código, sabrás exactamente qué está moviendo por dentro.