Redes Neuronales en IA

REDES NEURONALES ARTIFICIALES

Actividad de unidad - Unidad 5  Redes Neuronales  Artificiales

Lara Mayorga Johny Orvein

Universidad Católica de Colombia

Especialización en Analítica de Datos

Bogotá DC

Este blog reúne los conceptos fundamentales que permiten comprender qué son las redes neuronales artificiales, cómo funcionan y cuál es su impacto en la solución de problemas empresariales y en la investigación científica.

Su propósito es presentar la información de forma clara y visual utilizando recursos multimedia, explicaciones concretas y ejemplos aplicados al contexto real.

Introducción 

Las redes neuronales artificiales (RNA) se han convertido en una de las herramientas más importantes dentro de la Inteligencia Artificial moderna gracias a su capacidad para aprender patrones, clasificar información y tomar decisiones basadas en datos. Inspiradas en el funcionamiento del cerebro humano, estas redes permiten resolver problemas complejos en áreas como la salud, la industria, las finanzas y la investigación científica.

Este blog tiene como objetivo explicar, de manera sencilla y ordenada, los conceptos esenciales que componen una red neuronal artificial y cómo estos se integran para formar modelos capaces de reconocer información, predecir comportamientos y automatizar procesos. A través de cinco conceptos claves, se busca comprender su estructura, funcionamiento y utilidad en diferentes contextos.

Conceptos y Aplicaciones

1.¿Qué es una neurona artificial?

La neurona artificial es la unidad fundamental de las redes neuronales. Recibe datos de entrada, los procesa mediante una operación matemática simple y genera una salida.

Multimedia recomendado: imagen de una neurona artificial con sus entradas y salida.

Ejemplo: una neurona puede recibir atributos de un cliente (edad, ingresos, historial) y producir si es riesgoso o no.

Ejemplo: una neurona puede recibir atributos de un cliente (edad, ingresos, historial) y producir si es riesgoso o no.

2. Arquitectura de una Red Neuronal

Una red neuronal está organizada en capas:

• Capa de entrada

• Capas ocultas

• Capa de salida

Cada capa tiene neuronas conectadas entre sí.

diagrama de una red feedforward.

Ejemplo: una red con 3 capas puede clasificar imágenes de productos.

3.Función de Activación

Las funciones de activación permiten que la red aprenda relaciones no lineales.

Ejemplos:

• ReLU

• Sigmoid

• Tanh

Ejemplo: ayudan a clasificar si un correo es spam o no.

3. Entrenamiento y Aprendizaje

Las redes neuronales aprenden mediante:

• Dataset

• Retropropagación

• Función de pérdida

• Optimización (Gradient Descent)

Red neuronal con varias capas. Obtenida de Wikipedia

Ejemplo: una red que aprende a predecir ventas usando datos históricos.

4. Overfitting y Generalización

El overfitting ocurre cuando la red aprende demasiado los datos de entrenamiento y falla con datos nuevos.

La generalización es la capacidad del modelo de funcionar con información no vista.

Imagen tomada de https://www.automatizapro.com.ar/blog/overfitting-vs-underfitting-diferencias-clave/

Respuesta a la pregunta

¿Cómo las RNA pueden solucionar problemáticas empresariales o apoyar la investigación científica?

En el contexto empresarial, las redes neuronales permiten:

1. Automatizar procesos
2. Predecir comportamientos del cliente
3. Optimizar operaciones logísticas
4. Detectar fraudes
5. Mejorar la toma de decisiones

En investigación científica permiten:

1. Analizar imágenes médicas
2. Simular fenómenos naturales
3. Predecir efectos biológicos
4. Realizar clasificaciones complejas

Su capacidad para aprender patrones no evidentes las convierte en herramientas transformadoras en diversos sectores.

Conclusiones

Las redes neuronales artificiales representan una tecnología clave para la transformación digital y la innovación. Su capacidad de aprender de los datos permite resolver problemas complejos y generar soluciones automáticas, precisas y escalables.
Comprender los conceptos básicos —neurona artificial, capas, funciones de activación, entrenamiento y generalización— permite dimensionar su aporte tanto al mundo empresarial como al desarrollo científico.

Bibliografía

Martínez, L., & Del Río, J. (2024). Modelos LSTM y GRU para la predicción financiera y de demanda en entornos empresariales. Revista Española de Inteligencia Artificial, 28(1), 55–72. https://doi.org/10.4114/ia.v28i1.2451

Enlaces a un sitio externo.Enlaces a un sitio externo.Enlaces a un sitio externo.Enlaces a un sitio externo.

Paredes, F., & Núñez, C. (2025). Adaptabilidad de redes neuronales recurrentes en procesos automatizados empresariales. Journal Latinoamericano de Ingeniería y Datos, 14(1), 33–49. https://doi.org/10.22201/jlid.2025.14.1.567

Santos, R., & Rivas, T. (2023). Aplicaciones de redes neuronales recurrentes en la automatización y el análisis empresarial. Revista de Sistemas y Negocios, 9(3), 87–103. https://doi.org/10.18567/rsn.9.3.2023.87