Neurona-sare artifizial

Neurona-sare artifiziala (NSA; ingelesez artificial neural network, ANN) elkarri konektatutako neurona artifizialez osatutako eredu konputazionala da, datuetatik patroiak ikasi eta iragarpenak edo erabakiak hartzeko erabiltzen dena. Orokorrean, neuronak geruzatan antolatzen dira (sarrera, ezkutuko geruzak eta irteera), eta konexioen pisuak doitu egiten dira ikaskuntza-prozesuan zehar. Neurona-sare artifizialak ikasketa automatikoaren barruan kokatzen dira eta, bereziki, ikaskuntza sakonaren (deep learning) oinarri nagusietakoak dira.^[1]

NSAek gaur egungo ikasketa sakoneko (deep learning) teknikaren oinarria osatzen dute, eta ikusmen artifiziala, hizkuntza naturalaren prozesamendua, diagnostiko medikoa eta industria digitalizazioa bezalako eremuetan nabarmen eragin dute.^[2]

Sarrera

Bideo hau Ikusgela proiektuaren parte da. Bideoak dituzten artikulu guztiak ikus ditzakezu hemen klik eginez gero.

Adimen artifiziala eta neurona-sareak azaltzen dituen bideoa.

Gizaki adituen arrazoitzeko egiturak berregiten saiatzen da, hau da, burmuin eta neuronen egitura berbera ezartzea da bere helburua.

Neurona bakoitza zirkulu batez adierazten da, eta neuronen arteko loturak bektore batez, bakoitzak bere pisua daukana eta bi neurona horien arteko indarra adierazten duena. Neuronak mailaka banatzen dira, altuena emaitzen loturari dagokio, eta baxuena datuen loturari. Aldameneko mailetan beheko neurona bakoitza, goiko neurona guztiekin lotzen da.

Sareek, ondorioak ateratzeko, prozesu bi izaten dituzte:

Entrenamendua: Sarearen parametroen kalkuluan datza, horretarako ezagutu behar diren patroiak erabiliz. Entrenamendua eta gero, sareak lotura batzuk indartuta izango ditu eta beste batzuk, berriz, ahulduta. Adibidez, karaktere-ezagutze prozesuan, sarea karaktere bakoitza ezagutzeko entrenatu behar da.^[3]
Erantzunen sormena: Emaitzak lortzea, entrenamenduaren ondoren.

Historia laburra

Neurona‑sarearen ideia teknikoa XX. mendeko lehen hamarkadetatik datorkigu:

1943 – Warren McCulloch eta Walter Pitts-ek neurona logiko baten eredu matematikoa proposatu zuten, zirkuitu sinpleen bidez pentsamendu-logika modelatu zitekeela erakutsiz.^[4]
1958 – Frank Rosenblatt-ek perzeptrona aurkeztu zuen: eredu praktiko bat, bi klase banaketarako erabil zitekeena. Hala ere, perceptronak ez zuen multiklasetarako konplexutasun handirik tratatzen.^[5]
1969 – Marvin Minsky eta Seymour Papert-en kritikek perceptronaren mugak nabarmendu zituzten eta ikerketa jarduna zelatze‑garai batera eraman zuten, batzuetan «AI Winter» deitutakoa.^[6]
1980ko hamarkada – Atzeranzko hedapenaren (backpropagation) hobekuntzek eta sare multigeruzadunen garapenak neurona‑sareen interes berriro piztu zuten; narrazioaren protagonistak izan ziren Rumelhart, Hinton eta beste zenbait ikertzaile.^[7]
2000etik aurrera – Datu kopuru handien eta GPU bezalako hardware espezializatuen eskuragarritasunak aukera eman zuen sare sakon‑sareek (deep neural networks) arrakasta praktikoa izateko; 2010eko hamarkadan teknikek abangoardia eragin handia izan zuten ikusmen artifizialean eta hizkuntzaren eremuan.^[8]

Historiak erakusten du neurona‑sareek hamarkada askotan zehar garapen zikloak izan dituztela: euforia, mugaketak, berriro aukera eta hedapena. Gaur egun, ikerketa eta aplikazioak azkar hazten jarraitzen dute.

Oinarri Teorikoak

Neurona artifizial simple batetik abiatuta, sareak eraiktizen dira. Neurona batek sarrera-balio multzo bat jasotzen du: $x_{1},x_{2},\dots ,x_{n}$ , bakoitzari dagokion pisuarekin $w_{1},w_{2},\dots ,w_{n}$ biderkatuta.

Batura lineala egin eta bias bat ( $b$ ) gehitzen zaio; ondoren, aktibazio-funtzio baten bidez irteera ematen da:

$z=\sum _{i=1}^{n}w_{i}x_{i}+b$

$y=\phi (z)$

Gaur egungo praktikan aktibazio-funtzio arruntak honako hauek dira:

Sigmoidea

$\sigma (z)={\frac {1}{1+e^{-z}}}$
Probabilitate-moduan erabilgarria baina gradientearen desagertze arazoak sor ditzake.^[9]

Tanh (Tangente Hiperbolikoa)

-1 eta 1 artean ematen du balioa
Sigmoidearen antzekoa

ReLU (Unitate Lineal Errektifikatua)

${\text{ReLU}}(z)=\max(0,z)$
Erraz implementatzen da eta praktikan oso erabilia da^[10]

Softmax

Sailkapenetan erabiltzen da, banaketa probabilistiko bat lortzeko geruza irteeran^[11]

Entrenamendua eta ikaskuntza

Neurona-sare artifizial baten helburua normalean sarrerako datuen eta irteerako etiketen (edo helburu-balioen) arteko erlazioa hurbiltzea da. Horretarako, sareak pisu multzo bat optimizatzen du, galera-funtzio (loss function) bat minimizatuz (adib. errore karratuaren batez bestekoa edo entropia gurutzatua).^[12]

Atzerahedapena eta gradiente-deszentsua

Ikaskuntza gainbegiratuan ohikoena da atzerapropagazioa (backpropagation) erabiltzea: irteerako errorea geruzaz geruza atzerantz hedatzen da, eta gradienteen bidez pisuak eguneratzen dira.^[13] Optimizazioan sarri erabiltzen dira aldaerak, hala nola SGD (stochastic gradient descent) edo momentu/egokitze teknikak (adib. Adam).^[14]

Erregularizazioa eta orokortzea

Neurona-sareek erraz gainikasketa (overfitting) izan dezakete, bereziki parametro asko dituztenean. Horri aurre egiteko erabiltzen dira, besteak beste, dropout teknika (entrenamenduan unitate batzuk ausaz desaktibatzea)^[15] eta batch normalization (geruzetako sarrerak normalizatzea entrenamendua egonkortzeko).^[16]

Datuen banaketa eta ebaluazioa

Praktikan, datuak entrenamendu/egiaztapen/proba multzoetan banatzen dira, eta neurriak erabiltzen dira (adib. zehaztasuna, doitasuna/estaldura edo errore metrikak) sareak datu berrietan nola orokortzen duen neurtzeko.^[17]

Motak

Perzeptroi Sinplea

Sare neuronalik sinpleena, sarrera geruza bat eta irteera geruza bat dituena.

Perzeptroi Multigeruza

Geruza ezkutu bat edo gehiago dituen sare neuronala, problema konplexuagoak ebazteko gaitasuna duena.

Sare Konboluzionalak (CNN)

Irudien prozesamendurako egokituak, eremu lokalak prozesatzeko gaitasuna dute.

Sare Errekurrenteak (RNN)

Sekuentzia-datuak prozesatzeko egokituak, denboran zehar informazioa gordetzeko gaitasuna dute.

Arkitektura moderno eta espezializatuak

Azken urteetan, neurona-sareen arkitektura espezifikoek arrakasta handia lortu dute hainbat atazatan:

Neurona-sare konboluzionalak (CNN): irudien eta seinale espazialen prozesamendurako oso erabiliak.^[18]
Neurona-sare errepikakorrak (RNN) eta LSTM: sekuentzia-datuetarako (testua, denbora-serieak).^[19]
Transformer: arreta-mekanismoetan oinarritutako arkitektura, hizkuntzaren prozesamenduan eta beste sekuentzia-atazetan nagusitu dena.^[20]
Aurkako sare sortzailea (GAN): datu sintetikoak sortzeko eredu sortzaileak.^[21]
Grafoko neurona-sareak (GNN/GCN): grafo-egituradun datuetarako (sare sozialak, ezagutza-grafoak).^[22]

Aplikazioak

Neurona-sare artifizialak gaur egungo ikasketa automatikoko tresna nagusietakoak dira, eta datu konplexuetatik eredu ez-linealak ikasteko gaitasunagatik erabiltzen dira hainbat arlotan.^[23]

Ikusmen artifiziala

Sare konboluzionalek (CNN) irudi-sailkapena, objektu-detekzioa eta segmentazioa bezalako atazetan jauzi handia ekarri zuten, adibidez ImageNet erronkan lortutako emaitzekin.^[24]

Hizkuntza naturalaren prozesamendua (NLP)

Transformer arkitekturak arreta-mekanismoen bidez sekuentzia-datuak hobeto modelatzen ditu, eta itzulpena automatikoa, laburpenak edo elkarrizketa-sistemak bezalako aplikazioak bultzatu ditu.^[25]

Osasuna eta irudi medikoa

Ikasketa sakona gero eta gehiago erabiltzen da irudi medikoen analisian (sailkapena, detekzioa, segmentazioa), eta berrikuspen lanek ehunka aplikazio biltzen dituzte.^[26] Zenbait lanek errendimendu oso altua erakutsi dute diagnostiko-ataza espezifikoetan (adib. azaleko lesioen sailkapena).^[27]

Gomendio-sistemak

Sare neuronalek erabiltzaile-elementu harremanak modu ez-linealean ikas ditzakete, gomendio pertsonalizatuak hobetzeko (adib. collaborative filtering teknikak sakontzean).^[28]

Industria eta denbora-serieak

Denbora-serieen iragarpena, anomalia-detekzioa edo mantentze prediktiboa bezalako kasuetan ere erabiltzen dira, batez ere sentsore-datuetan patroiak automatikoki ikasteko.^[23]

Mugak, erronkak eta segurtasuna

Azalgarritasuna eta gardentasuna

Eredu sakon askok zehaztasun handia izan arren, zaila izan daiteke erabakiak interpretatzea; horregatik, azalgarritasun teknikak eta dokumentazio estandarrak gero eta garrantzitsuagoak dira.^[29]

Datuen kalitatea, alborapenak eta justizia

Sareek entrenamendu-datuetako alborapenak barnera ditzakete, eta horrek arriskuak sortzen ditu erabaki sentikorretan (osasuna, enplegua edo finantzak). Arriskuak kudeatzeko gida orokor gisa, NISTen AI RMF bezalako markoak erabiltzen dira.^[30]

Eraso adversarialak eta fidagarritasuna

Sare batzuek sarrera-aldaketa txikiekin (perturbazio adversarialak) huts egin dezakete; horrek segurtasun-neurrien eta ebaluazio zorrotzaren beharra azpimarratzen du.^[31]

Araudia eta betebeharrak (EB)

Europar Batasunean, AI Act-ak arriskuaren araberako betebeharrak ezartzen ditu eta pixkanaka aplikatzen ari da (indarrean 2024-08-01etik, eta aplikazio egutegi graduatua).^[32]^[33]

Softwarea eta liburutegiak

Neurona-sare artifizialak inplementatzeko eta entrenatzeko hainbat liburutegi erabil daitezke, besteak beste:

PyTorch (torch.nn moduluaren bidez sareak eraikitzeko oinarrizko osagaiak eskaintzen ditu).^[34]
TensorFlow (API zabala eta azpiegitura banaturako euskarria).^[35]
Keras (TensorFlowren goi-mailako APIa, prototipatzea errazteko).^[36]
scikit-learn (MLPClassifier/MLPRegressor bezalako sare sinpleak, backpropagation bidez entrenatuz).^[37]

Bibliografia

Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).
Bishop, Christopher. (2006). Pattern Recognition and Machine Learning. Springer.
Nielsen, Michael. (2015). Neural Networks and Deep Learning. Determination Press.

Erreferentziak

↑ Yann LeCun; Yoshua Bengio; Geoffrey Hinton. (2015). «Deep learning» Nature doi:10.1038/nature14539. (kontsulta data: 2025-12-30).
↑ Schmidhuber, Jürgen. (2015). Deep Learning in Neural Networks: An Overview. Neural Networks.
↑ Nielsen, Michael. (2015). Neural Networks and Deep Learning. Determination Press.
↑ McCulloch, Warren; Pitts, Walter. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics.
↑ Rosenblatt, Frank. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review.
↑ Minsky, Marvin; Papert, Seymour. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.
↑ Rumelhart, David; Hinton, Geoffrey; Williams, Ronald. (1986). Learning representations by back-propagating errors. Nature.
↑ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems.
↑ LeCun, Yann; Bottou, Léon; Orr, Gene. (1998). Efficient BackProp. Neural Networks: Tricks of the Trade.
↑ Glorot, Xavier; Bordes, Antoine; Bengio, Yoshua. (2011). Deep Sparse Rectifier Neural Networks. Proceedings of the 14th International Conference on Artificial Intelligence and Statistics.
↑ Bishop, Christopher. (2006). Pattern Recognition and Machine Learning. Springer.
↑ Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).
↑ David E. Rumelhart; Geoffrey E. Hinton; Ronald J. Williams. (1986). «Learning representations by back-propagating errors» Nature doi:10.1038/323533a0. (kontsulta data: 2025-12-30).
↑ Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).
↑ Nitish Srivastava; Geoffrey Hinton; Alex Krizhevsky; Ilya Sutskever; Ruslan Salakhutdinov. (2014). «A Simple Way to Prevent Neural Networks from Overfitting» Journal of Machine Learning Research (kontsulta data: 2025-12-30).
↑ Sergey Ioffe; Christian Szegedy. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. (kontsulta data: 2025-12-30).
↑ Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).
↑ Alex Krizhevsky; Ilya Sutskever; Geoffrey E. Hinton. (2012). ImageNet Classification with Deep Convolutional Neural Networks. (kontsulta data: 2025-12-30).
↑ Sepp Hochreiter; Jürgen Schmidhuber. (1997). «Long Short-Term Memory» Neural Computation doi:10.1162/neco.1997.9.8.1735. (kontsulta data: 2025-12-30).
↑ Ashish Vaswani et al.. (2017). Attention Is All You Need. (kontsulta data: 2025-12-30).
↑ Ian J. Goodfellow et al.. (2014). Generative Adversarial Nets. (kontsulta data: 2025-12-30).
↑ Thomas N. Kipf; Max Welling. (2016). Semi-Supervised Classification with Graph Convolutional Networks. (kontsulta data: 2025-12-30).
1 2 Yann LeCun; Yoshua Bengio; Geoffrey Hinton. (2015). «Deep learning» Nature doi:10.1038/nature14539. (kontsulta data: 2025-12-30).
↑ Alex Krizhevsky; Ilya Sutskever; Geoffrey E. Hinton. (2012). ImageNet Classification with Deep Convolutional Neural Networks. (kontsulta data: 2025-12-30).
↑ Ashish Vaswani et al.. (2017). Attention Is All You Need. (kontsulta data: 2025-12-30).
↑ Geert Litjens et al.. (2017). «A survey on deep learning in medical image analysis» Medical Image Analysis (kontsulta data: 2025-12-30).
↑ Andre Esteva et al.. (2017). «Dermatologist-level classification of skin cancer with deep neural networks» Nature doi:10.1038/nature21056. (kontsulta data: 2025-12-30).
↑ Pang Li; Shahrul Azman Mohd Noah; Hafiz Mohd Sarim. (2024). A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems. (kontsulta data: 2025-12-30).
↑ NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). (kontsulta data: 2025-12-30).
↑ NIST. (2023). AI RMF 1.0 (Overview). (kontsulta data: 2025-12-30).
↑ Ian J. Goodfellow; Jonathon Shlens; Christian Szegedy. (2014). Explaining and Harnessing Adversarial Examples. (kontsulta data: 2025-12-30).
↑ European Commission. (2024). AI Act enters into force. (kontsulta data: 2025-12-30).
↑ European Union. (2024). AI Act – Application timeline. (kontsulta data: 2025-12-30).
↑ Build the Neural Network (PyTorch tutorial). PyTorch Documentation (kontsulta data: 2025-12-30).
↑ TensorFlow API Documentation. TensorFlow (kontsulta data: 2025-12-30).
↑ Keras: The high-level API for TensorFlow. TensorFlow (kontsulta data: 2025-12-30).
↑ Neural network models (supervised) — scikit-learn documentation. scikit-learn (kontsulta data: 2025-12-30).

Ikus, gainera

Kanpo estekak

Wikimedia Commons: Artificial neural networks

Datuak: Q192776
Multimedia: Artificial neural networks / Q192776

[1] Yann LeCun; Yoshua Bengio; Geoffrey Hinton. (2015). «Deep learning» Nature doi:10.1038/nature14539. (kontsulta data: 2025-12-30).

[2] Schmidhuber, Jürgen. (2015). Deep Learning in Neural Networks: An Overview. Neural Networks.

[3] Nielsen, Michael. (2015). Neural Networks and Deep Learning. Determination Press.

[4] McCulloch, Warren; Pitts, Walter. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics.

[5] Rosenblatt, Frank. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review.

[6] Minsky, Marvin; Papert, Seymour. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.

[7] Rumelhart, David; Hinton, Geoffrey; Williams, Ronald. (1986). Learning representations by back-propagating errors. Nature.

[8] Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems.

[9] LeCun, Yann; Bottou, Léon; Orr, Gene. (1998). Efficient BackProp. Neural Networks: Tricks of the Trade.

[10] Glorot, Xavier; Bordes, Antoine; Bengio, Yoshua. (2011). Deep Sparse Rectifier Neural Networks. Proceedings of the 14th International Conference on Artificial Intelligence and Statistics.

[11] Bishop, Christopher. (2006). Pattern Recognition and Machine Learning. Springer.

[12] Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).

[13] David E. Rumelhart; Geoffrey E. Hinton; Ronald J. Williams. (1986). «Learning representations by back-propagating errors» Nature doi:10.1038/323533a0. (kontsulta data: 2025-12-30).

[14] Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).

[15] Nitish Srivastava; Geoffrey Hinton; Alex Krizhevsky; Ilya Sutskever; Ruslan Salakhutdinov. (2014). «A Simple Way to Prevent Neural Networks from Overfitting» Journal of Machine Learning Research (kontsulta data: 2025-12-30).

[16] Sergey Ioffe; Christian Szegedy. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. (kontsulta data: 2025-12-30).

[17] Ian Goodfellow; Yoshua Bengio; Aaron Courville. (2016). Deep Learning. MIT Press (kontsulta data: 2025-12-30).

[18] Alex Krizhevsky; Ilya Sutskever; Geoffrey E. Hinton. (2012). ImageNet Classification with Deep Convolutional Neural Networks. (kontsulta data: 2025-12-30).

[19] Sepp Hochreiter; Jürgen Schmidhuber. (1997). «Long Short-Term Memory» Neural Computation doi:10.1162/neco.1997.9.8.1735. (kontsulta data: 2025-12-30).

[20] Ashish Vaswani et al.. (2017). Attention Is All You Need. (kontsulta data: 2025-12-30).

[21] Ian J. Goodfellow et al.. (2014). Generative Adversarial Nets. (kontsulta data: 2025-12-30).

[22] Thomas N. Kipf; Max Welling. (2016). Semi-Supervised Classification with Graph Convolutional Networks. (kontsulta data: 2025-12-30).

[LeCun2015-23] 1 2 Yann LeCun; Yoshua Bengio; Geoffrey Hinton. (2015). «Deep learning» Nature doi:10.1038/nature14539. (kontsulta data: 2025-12-30).

[24] Alex Krizhevsky; Ilya Sutskever; Geoffrey E. Hinton. (2012). ImageNet Classification with Deep Convolutional Neural Networks. (kontsulta data: 2025-12-30).

[25] Ashish Vaswani et al.. (2017). Attention Is All You Need. (kontsulta data: 2025-12-30).

[26] Geert Litjens et al.. (2017). «A survey on deep learning in medical image analysis» Medical Image Analysis (kontsulta data: 2025-12-30).

[27] Andre Esteva et al.. (2017). «Dermatologist-level classification of skin cancer with deep neural networks» Nature doi:10.1038/nature21056. (kontsulta data: 2025-12-30).

[28] Pang Li; Shahrul Azman Mohd Noah; Hafiz Mohd Sarim. (2024). A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems. (kontsulta data: 2025-12-30).

[29] NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). (kontsulta data: 2025-12-30).

[30] NIST. (2023). AI RMF 1.0 (Overview). (kontsulta data: 2025-12-30).

[31] Ian J. Goodfellow; Jonathon Shlens; Christian Szegedy. (2014). Explaining and Harnessing Adversarial Examples. (kontsulta data: 2025-12-30).

[32] European Commission. (2024). AI Act enters into force. (kontsulta data: 2025-12-30).

[33] European Union. (2024). AI Act – Application timeline. (kontsulta data: 2025-12-30).

[34] Build the Neural Network (PyTorch tutorial). PyTorch Documentation (kontsulta data: 2025-12-30).

[35] TensorFlow API Documentation. TensorFlow (kontsulta data: 2025-12-30).

[36] Keras: The high-level API for TensorFlow. TensorFlow (kontsulta data: 2025-12-30).

[37] Neural network models (supervised) — scikit-learn documentation. scikit-learn (kontsulta data: 2025-12-30).

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]