Parece mentira que después del abandono de las redes neuronales antes de los años 90 … ahora han renacido y con más fuerza englobadas en lo que ahora se ha dado en llamar aprendizaje profundo / deep learning.

Si en los momentos iniciales, algunos intentamos aplicar sencillas redes neuronales artificiales en problemas industriales programando en lenguaje C la backpropagation ahora todo es mucho más fácil tirando de TensorFlow ejecutándose sobre GPU o en la nube.

De esta forma ahora se puede emplear Redes Neuronales para predecir la producción de energía eólica de parques eólicos. La investigación realizada por universidades italianas junto a la Politécnica de Madrid presenta una arquitectura basada en spiking neural networks (SNN, o redes neuronales de tercera generación) para predecir la cantidad de energía que será generada por una turbina eólica, situada en el interior de un parque eólico, en la próxima hora, considerando el comportamiento del viento (intensidad y dirección) en las horas anteriores.

Este método se ha aplicado a una gran planta de energía eólica, compuesta por 28 turbinas y 3 torres anemométricas, ubicada en el área rural del municipio de Vizzini en la provincia de Catania (Italia), que se caracteriza por una orografía compleja y una extensión de 30 km², con resultados muy prometedores.

Por otra parte usando Aprendizaje profundo, miembros del Grupo de Inteligencia Computacional y Análisis de Imágenes (ICAI) de la Universidad de Málaga (UMA)  han diseñado un nuevo método que mejora las imágenes del cerebro obtenidas por resonancia magnética.

Este avance ha sido publicado por la revista Neurocomputing, que recoge como el algoritmo desarrollado en la UMA obtiene resultados de mayor precisión en menos tiempo, con claros beneficios para los pacientes.

Se trata de un nuevo modelo que permite que las imágenes pasen de baja resolución a alta, sin distorsionar las estructuras cerebrales de los pacientes, utilizando una red neuronal artificial profunda (inspirada en el funcionamiento del cerebro humano) que ‘aprende’ este proceso.

Según los expertos, los resultados permitirán a los especialistas identificar de forma más nítida y precisa patologías relacionadas con el cerebro como lesiones físicas, cánceres o trastornos del lenguaje, entre otras, ya que los detalles de las imágenes son más finos, evitando así tener que recurrir a pruebas complementarias ante diagnósticos dudosos.