No cabe duda que las redes neuronales convolucionadas, aquellas que son de aprendizaje profundo, han sido un enorme éxito en la Inteligencia Artificial y hoy día muchos de los problemas más interesantes se atacan a través de estas técnicas. Sin embargo, Geoffrey Hinton, Sara Sabour y Nicholas Frosst, miembros del “Google’s Brain Team” de Toronto, han publicado una serie de resultados que revelan que podría haber una mejor arquitectura que la ya mencionada, la cual recibe el nombre de “Red de cápsula“.
Ya llevamos tiempo hablando de redes neuronales y éstas han empezado a arrojar resultados a partir de que el hardware ha mejorado considerablemente y las limitaciones de memoria ahora son menores. Quizás el éxito de las redes neuronales actualmente se deba además al interés de los investigadores para que de verdad funcionen.
Si se tiene una red neuronal y un algoritmo para entrenarla vía la propagación hacia atrás en una serie de capas de neuronas, la pregunta sería cómo organizar dichas capas para que las cosas funcionen. El mayor problema es tener redes neuronales que tomen en cuenta las invariancias que son inherentes a los datos. Por ejemplo, si se intenta reconocer a un gato a la mitad de una imagen, e puede reconocer un gato que se mueve hacia la izquierda, derecha, arriba y abajo. La red neuronal toman en cuenta la invariancia de la traslación de la imagen.
Esto es precisamente la parte “convolucional” de la red neuronal: se aplica a un pequeño grupo de neuronas con la misma …