Page 24 - Revista 2021 - 2022

Revista de la Facultad de Ingeniería, Año 7, Número 1
Artículo Central.

Redes neuronales convolucionales

Dr. Mag. Lic. Miguel Rojas

Doctor en Proyectos. Universidad
Iberoamericana.
Internacional
Master en Gerencia de Empresas
Tecnológicas - TICs. Master en
Diseño, Gestión y Dirección de
Proyectos. Master en
Administración de Empresas y el
Programa Profesional de Microsoft
para Inteligencia Artificial. Socio
Fundador de Meerkatsys SRL (HITOS),
empresa dedicada a brindar soluciones opensource a
pequeñas y medianas empresas. Socio Fundador de
SMARTCODE SRL, empresa dedicada al mantenimiento de
sistemas JAVA y evaluación de sistemas opensource para
pequeñas y medianas empresas. Licenciado en Análisis de
Sistemas de Información de la Universidad ORT Uruguay.
Coordinador del Grupo de investigación de Ingeniería de
Software y Tutor de proyectos de grado en la Facultad de
Ingeniería de UDE.
Coordinador de los Laboratorios de Inteligencia Artificial e
Internet de las Cosas y de Ciberseguridad de la Facultad
de Ingeniería de UDE

Introducción
En la edición anterior de la revista “Reflexiones de ingeniería” ahondamos en el tema
de las redes neuronales profundas (Deep Learning) y en muchos de los conceptos que
lo sustentan. Se profundizó en distintos temas, entre ellos, como es que las redes
neuronales funcionan, cuáles son las métricas más importantes, qué dilemas éticos
presentan y nos adentramos en muchos de sus componentes y el funcionamiento de
los distintos elementos que la componen(Rojas, 2020).

Las redes neuronales profundas se dividen principalmente en cuatro clases: redes
generativas antagónicas (GAN), redes neuronales recurrentes (RNN), redes de
aprendizaje por refuerzo (DRL) y redes neuronales convolucionales (CNN), las cuales
son el tema principal de este artículo.
Las redes convolucionales (CNN) tuvieron sus primeras apariciones en el año 1989, y
uno de sus principales usos es en el reconocimiento de imágenes, sin embargo, la
tecnología y los algoritmos de clasificación por CNN pueden ser utilizados en otros
dominios, como puede ser, el procesamiento de audio, reconocimiento de video y
lenguaje natural (Aprende Machine Learning, 2018).

En lo que refiere puramente a las redes convolucionales, en el año 2012 por primera
vez una red de estas características gana la competencia de reconocimiento de
objetos ImageNet. Esta victoria es un gran hito para este tipo de redes ya que no solo
gana la competencia, sino que lo hace con una gran diferencia con respecto a las
otras soluciones (Parada Torralba, 2021).

23