Definición
Una red neuronal es un modelo matemático organizado en capas de nodos conectados entre sí. Cada conexión tiene un número asociado —el peso— que decide cuánta influencia tiene una neurona sobre la siguiente. Entrenar la red consiste en ajustar esos pesos hasta que, dada una entrada, produzca la salida correcta.
El nombre viene de una analogía con el cerebro, pero conviene no tomársela demasiado en serio. Una red neuronal no "piensa": es una función matemática muy grande, con millones o miles de millones de parámetros, que se ha ido corrigiendo a base de ver ejemplos.
Lo que la hace especial frente a un modelo estadístico clásico es que no hay que decirle qué características mirar. A un modelo de regresión tradicional le tienes que dar las variables ya elegidas por ti. Una red profunda, con suficientes ejemplos, descubre sola qué combinaciones importan.
Cómo funciona
Tres piezas y un bucle:
-
Capas. La capa de entrada recibe los datos (los píxeles de una foto, los tokens de una frase, las columnas de una tabla). Las capas ocultas del medio los van transformando. La capa de salida da el resultado: una probabilidad, una categoría, el siguiente token.
-
Pesos y sesgos. Cada neurona multiplica sus entradas por unos pesos, las suma, añade un sesgo y pasa el resultado por una función de activación (ReLU, GELU, sigmoide). Sin esa activación no lineal, apilar cien capas daría exactamente lo mismo que una sola: el modelo solo podría aprender líneas rectas.
-
Función de pérdida. Mide cuánto se equivoca la red comparada con la respuesta correcta. Es el número que hay que bajar.
El bucle de entrenamiento repite: predice → mide el error → calcula con backpropagation cuánta culpa tiene cada peso → corrige los pesos con descenso de gradiente. Millones de veces.
"Profunda" (deep learning) significa simplemente que tiene muchas capas ocultas. Un transformer como los que mueven ChatGPT o Claude es una red neuronal con una arquitectura concreta de capas de atención.
Ejemplo práctico
En IMDICA recibimos albaranes de proveedor en papel y los fotografiamos. Queremos que el sistema saque solas las líneas: referencia, cantidad y precio.
Con reglas escritas a mano sería un infierno: cada proveedor maquetea distinto, unos ponen el precio a la derecha y otros debajo, y basta que uno cambie de plantilla para romperlo todo.
Con una red neuronal el planteamiento cambia. Le damos unos cuantos miles de albaranes ya etiquetados —esto es una referencia, esto una cantidad— y la red aprende sola qué combinación de posición, tipografía y contexto identifica cada campo. Cuando llega un proveedor nuevo con otra maqueta, generaliza razonablemente bien porque no memorizó plantillas: aprendió qué parece una referencia.
El coste de ese cambio es real y hay que saberlo: necesitas los miles de ejemplos etiquetados, y cuando falla no puedes abrir el código y ver la regla equivocada.
Tipos principales
- Densa o feedforward. La básica: cada neurona conectada con todas las de la capa siguiente. Sirve para datos tabulares.
- Convolucional (CNN). Detecta patrones locales moviendo un filtro por la imagen. Fue el estándar en visión durante una década.
- Recurrente (RNN, LSTM). Procesa secuencias manteniendo un estado interno. Muy usada en texto y series temporales antes de los transformers.
- Transformer. La que domina hoy en lenguaje, y cada vez más en imagen con las ViT.
Errores comunes
- Creer que más capas es siempre mejor. Con pocos datos, una red grande memoriza en vez de aprender: es sobreajuste.
- Entrenar sin separar un conjunto de validación. Si mides el acierto sobre los mismos datos con los que entrenaste, el número que sale no significa nada.
- No normalizar las entradas. Si una columna va de 0 a 1 y otra de 0 a 500.000, la segunda domina el entrenamiento y la red ignora la primera.
- Usar una red para un problema que resuelve una regresión lineal. Más lenta, más cara, más difícil de explicar y con el mismo acierto.
Cuándo usarla
Sí cuando la relación entre entrada y salida es compleja y no sabes formularla, cuando trabajas con imagen, audio o texto libre, y cuando tienes volumen de datos suficiente (miles de ejemplos como mínimo).
No cuando tienes pocos datos, cuando necesitas poder explicar cada decisión ante un cliente o un auditor, o cuando un modelo sencillo ya te da un acierto aceptable. En una empresa, un árbol de decisión que todo el mundo entiende suele valer más que una red que nadie sabe justificar.
