Product Design, Manufacturing & Innovation Resources

Hogar » Modelos conexionistas en la cognición

Modelos conexionistas en la cognición

1990

David Rumelhart
James McClelland
Geoffrey Hinton

(Imagen generada únicamente con fines ilustrativos)

Los modelos conexionistas, también conocidos como procesamiento distribuido paralelo (PDP) o redes neuronales artificiales, representan los procesos cognitivos como interacciones entre muchas unidades de procesamiento simples e interconectadas, llamadas nodos. El conocimiento no se almacena en una ubicación específica, sino que se distribuye en los pesos de conexión entre estas unidades. El aprendizaje se produce ajustando estos pesos, a menudo mediante algoritmos como la retropropagación, lo que permite el reconocimiento de patrones y la aproximación de funciones.

Los modelos conexionistas se propusieron como una alternativa a los modelos simbólicos, inspirada en el cerebro. Una red típica consta de capas de nodos: una capa de entrada, una o más capas ocultas y una capa de salida. Cada conexión entre nodos tiene un peso numérico, que puede ser excitatorio o inhibitorio. Cuando se presenta un patrón a la capa de entrada, la activación se propaga por la red, modificada por los pesos y una función de activación en cada nodo, para producir un patrón en la capa de salida.

La principal novedad reside en el proceso de aprendizaje. En el aprendizaje supervisado, la salida de la red se compara con una salida objetivo, y la diferencia (error) se utiliza para modificar los pesos de conexión en toda la red. El algoritmo de retropropagación es un método común para calcular eficientemente estos ajustes de peso. Este proceso permite que la red aprenda gradualmente relaciones complejas entre entradas y salidas sin necesidad de programarla con reglas explícitas. Este enfoque destaca en tareas que implican datos ruidosos y reconocimiento de patrones, como el reconocimiento de objetos o el aprendizaje del pretérito de los verbos en inglés, tareas que resultan difíciles para los sistemas puramente simbólicos.

Artificial Intelligence (AI), Redes neuronales artificiales (RNA), Computación cognitiva, Aprendizaje profundo, Aprendizaje automático, Procesamiento del lenguaje natural (PLN), Ingeniería neuronal, Red neuronal, Tecnología de redes neuronales

UNESCO Nomenclature: 6105

- Psicología experimental

Tipo

Sistema abstracto

Ruptura

Revolucionario

Uso

Uso generalizado

Precursores

El modelo del perceptrón de Frank Rosenblatt
teoría del aprendizaje hebbiano («las células que se activan juntas, se conectan juntas»)
Las primeras investigaciones cibernéticas de Norbert Wiener
El modelo neuronal de McCulloch-Pitts

Aplicaciones

procesamiento del lenguaje natural (por ejemplo, traducción, análisis de sentimientos)
visión artificial y reconocimiento de imágenes
sistemas de reconocimiento de voz
arquitecturas de aprendizaje profundo
modelado de trastornos neurológicos

Patentes:

Ideas para posibles innovaciones

Debido al bloqueo del tráfico generado por bots, que actualmente supera los 40.000 al día, este contenido está reservado para los miembros de la comunidad.
> Iniciar sesión < o > Registrarse < (100% gratis) para acceder a esto, al igual que a todo el demás contenido y herramientas restringidos.

Relacionado con: conexionismo, redes neuronales, procesamiento distribuido en paralelo, PDP, retropropagación, aprendizaje automático, modelado cognitivo, inteligencia artificial, nodos, pesos.

Contexto histórico

Modelos cognitivos simbólicos

Los modelos cognitivos simbólicos se basan en el principio de que la cognición es computación que implica la manipulación de símbolos. Estos modelos utilizan representaciones explícitas de alto nivel, como proposiciones, esquemas y reglas (p. ej., sentencias SI-ENTONCES) para simular procesos de pensamiento estructurados, como el razonamiento lógico, el uso del lenguaje y la resolución de problemas. Forman la base de la inteligencia artificial clásica, a menudo denominada «IA tradicional» (IAO).

Investigador evaluando la usabilidad de un software mediante la Escala de Usabilidad del Sistema en una oficina.

Escala de usabilidad del sistema (SUS)

The System Usability Scale (SUS) is a widely used, reliable 10-item questionnaire for assessing perceived usability. Users rate each statement on a 5-point Likert scale. The responses are then converted into a single score from 0 to 100. Despite its simplicity, it provides a quick and robust measure of a system's overall usability from the user's subjective viewpoint.

Modelos conexionistas en la cognición

1950

1990

1941

1986

1990

2000

La curva de Kruithof

The Kruithof curve is an empirical graph from psychophysics that outlines a region of illuminance levels and color temperatures considered comfortable or pleasing. It postulates that at low light levels, humans prefer warmer color temperatures (more reddish/yellowish), while at high illuminance levels, cooler color temperatures (more bluish) are preferred. Lighting conditions outside this region may feel unnatural or unpleasant.

Espacio de trabajo ergonómico en la cocina, con utensilios de diseño centrados en el usuario de OXO Good Grips.

Diseño centrado en el usuario (DCU)

Una filosofía de diseño y un proceso iterativo donde se presta gran atención a las necesidades, deseos y limitaciones de los usuarios finales en cada etapa del proceso. El UCD busca crear productos altamente usables y accesibles, involucrando a los usuarios durante todo el ciclo de diseño mediante investigación, pruebas y retroalimentación, en lugar de basarse únicamente en las suposiciones del diseñador.

Configuración de la investigación en arquitectura cognitiva con modelos y simulaciones cognitivas ACT-R.

Arquitectura cognitiva (ACT-R)

ACT-R (Control Adaptativo del Pensamiento Racional) es una arquitectura cognitiva que define las estructuras básicas y fijas de la mente humana. Modela la cognición como un conjunto de módulos independientes, como la memoria perceptiva, motora y declarativa, que interactúan a través de un sistema central de producción. La información se almacena en memorias intermedias, y las reglas de producción se activan para manipularla, simulando los procesos humanos de resolución de problemas y aprendizaje.

Laboratorio de investigación en psicología cognitiva con análisis de modelos bayesianos.

Modelos bayesianos de cognición

Los modelos bayesianos de cognición definen la mente como un motor de inferencia probabilística. Este enfoque postula que el cerebro representa el conocimiento como distribuciones de probabilidad y actualiza estas creencias al recibir nueva evidencia, según el teorema de Bayes. Modela la percepción, el aprendizaje y el razonamiento como inferencia estadística óptima o casi óptima en condiciones de incertidumbre, proporcionando un marco matemático unificador para numerosas funciones cognitivas.

(Si la fecha es desconocida o no es relevante, por ejemplo "mecánica de fluidos", se proporciona una estimación redondeada de su aparición notable)