Seguritecnia 493

/ Enero-Febrero 2022 178 Artículo Técnico humano de manera digital, funcionando a base de impulsos eléctricos binarios. Partiendo de ese concepto, Frank Ro- senblatt concibió el perceptrón en 1958, una suerte de neurona artificial. El fun- cionamiento del perceptrón se reduce a recibir una información, procesarla, y emitir un resultado. Más concretamente como sigue 7 : 1. Recibe una serie de datos x , cada uno con un peso w . Cada peso hace referencia a la importancia de ese dato en la decisión que deba tomar. 2. Sesgo b (bias), que indica un umbral bajo el cual es más o menos probable que la neurona se active. 3. Función de suma, que recibe la mul- tiplicación de cada dato x por su peso w y los suma. 4. Función de activación, que determi- na si los datos encajan en el umbral indicado. Estructura de las redes neuronales Una red neuronal es un conjunto de no- dos conectados entre sí, por capas. La estructura sería la siguiente 8 : 1. Capa de entrada, donde cada nodo de entrada recibe datos y pesos. 2. Capas intermedias ocultas, donde sucede la computación. Los nodos en estas capas producen un resulta- do en base a los datos y el peso obte- nidos, y lo pasan a la siguiente capa. 3. Capa de salida, que produce el re- sultado para los datos provistos. Por ejemplo, si estamos tratando de de- que lleva a cabo. Así los algoritmos se enfocan en maximizar sus recom- pensas y minimizar sus castigos. Los conocidos experimentos de Pavlov con su perro iban en la línea de el Reinforcement Learning que usamos en ML 5 . Evaluación de algoritmos Ahora que sabemos en qué consiste el ML, debemos entender cómo valorar un algoritmo que haga uso de este tipo de IA. Que use ML no quiere decir que los resultados sean buenos ni que todos los algoritmos o aplicaciones obtengan los mismos resultados. Para esta evaluación podemos usar cuatro métricas cuantitativas 6 : Exactitud ( accuracy ): cuántas predic- ciones/resultados acertó el algoritmo. Esto formulado es el número total de resultados correctos entre el número total de resultados. Accuracy = (verdaderos positivos + ver- daderos negativos) / total resultados obtenidos Precisión: cómo de cercanos entre sí son dos resultados. Es decir, la preci- sión nos indica cuánto tendremos que confiar en un algoritmo cuando nos da un resultado. Es una métrica adecua- da para procesos donde hay un alto coste de tener un falso positivo. Precisión = verdaderos positivos / (ver- dadero positivos + falso positivos) En el sector de la seguridad, podemos pensar en casos como el reconoci- miento facial de personas en busca y captura, donde detener a la persona incorrecta puede acarrear un daño a dicha persona, además de un gran impacto reputacional por cometer se- mejante error. Recall: entre todos los resultados que son realmente positivos, cuántos iden- tifica como positivos el algoritmo. Esta métrica es adecuada para procesos donde hay un alto coste por tener fal- sos negativos. Recall = verdaderos positivos / (verda- deros positivos + falsos negativos) Esta métrica aplicada al sector de la seguridad es importante en casos como, por ejemplo, la intrusión en un robo. No hacer la detección puede acarrear grandes pérdidas económi- cas o, peor aún, no detectar la intru- sión en un sabotaje de una infraes- tructura crítica. F1: es una función que relaciona la precisión y el recall , dándonos una métrica balanceada para mejor valo- rar un algoritmo. F1 = 2 * ( (precisión * recall) / (preci- sión + recall) ) Redes Neuronales Las redes neuronales son sistemas ins- pirados en el cerebro de un ser vivo. Se componen de nodos conectados entre sí que hacen las veces de neuronas artifi- ciales. Nodos Volviendo al origen de la IA, los cientí- ficos de la época concebían el cerebro La IA es una disciplina que trata de crear máquinas inteligentes que imiten la inteligencia humana total o parcialmente