CONEXIONISMO

II. CARACTERÍSTICAS GENERALES DEL ENFOQUE CONEXIONISTA 
 

          En Inteligencia Artificial, los métodos de computación basados en redes neurales se incluyen en un campo de computación que prescinde del enfoque algorítmico tradicional y tomo como modelo los sistemas biológicos; esta nueva forma de computación incluye, entre otras, la lógica borrosa, las redes neuronales y el razonamiento aproximado, y recibe los nombres de computación cognitiva, computación del mundo real o computación Soft, para distinguirlo del enfoque algorítmico tradicional o Computación Hard.

         En psicología llamamos conexionismo al paradigma que utiliza redes neuronales para comprender y explicar la vida psíquica y la conducta. Las redes neuronales son conjuntos de unidades interconectadas masivamente capaces de procesar y almacenar información mediante la modificación de sus estados. Aunque la siguiente afirmación exigiría importantes precisiones, en general se puede decir que el psicólogo conexionista considera que ha explicado un fenómeno psicológico (el reconocimiento de formas, la producción de lenguaje, la memoria, ...) cuando el modelo neuronal que construye se comporta del mismo modo que los seres humanos cuando realizan la misma tarea. No hay que olvidar que el conexionismo participa de una idea común con la psicología cognitiva clásica: para la psicología cognitiva (tanto la clásica como el conexionismo) la mente es un sistema capaz de procesar información, un sistema capaz de recibir señales de entrada, almacenar información y provocar información de salida a partir la información de entrada, la información almacenada y los mecanismos de cómputo. Dada esta suposición de que los fenómenos mentales y la conducta son consecuencia de elementos internos al sujeto, el conexionismo considera adecuada la explicación cuando la red que construye es capaz de realizar, a partir del vector de entrada, los distintos cómputos que provocan el vector de salida deseado.

1. La red es un conjunto de unidades de procesamiento (neuronas) muy simples.

2. Dichas unidades interactúan entre sí mediante las conexiones que los asocian.

3. Los estímulos que afectan a las unidades de entrada se expresan en términos cuantitativos.

4. Toda unidad de la red viene definida por un nivel de activación expresado de forma cuantitativa.

5. Toda conexión viene caracterizada por un valor de fuerza del trazo o peso de la conexión, también expresado de forma cuantitativa.

6. El procesamiento y almacenamiento de la información se realiza de forma paralela y distribuida.

7. Existen reglas o funciones que computan la información en distintos niveles del procesamiento (para la modificación del nivel de activación a partir de las entradas, para la producción de la salida a partir del nivel de activación, ...).

8. Existen reglas o funciones de aprendizaje que le permiten a la red modificar los pesos de las conexiones para acomodar de modo cada vez más perfecto la información de entrada a la salida requerida.

9. La función de cada unidad es simplemente realizar cálculos con las entradas que reciben y producir la información que envían a las unidades con las que están conectadas.

10. Las señales de salida que emite la red se expresan en términos cuantitativos.

11. Dado que toda la actividad de la red no es otra cosa que cálculos o transformaciones de números, se puede afirmar que en realidad la red neural es un dispositivo para computar una función, un sistema capaz de transformar la información de entrada en información de salida. La función presente en la red y que realiza el computo es básicamente el patrón o conjunto de pesos sinápticos de las unidades.