48 INTELIGENCIA ARTIFICIAL mucho tiempo que las venimos resolviendo sin ningún problema, como con un PLC por poner un ejemplo que casi todos conocerán. Cabrá pues, en primera instancia, hablar de 'la Neurona artificial' o del Perceptrón como acuñó en 1957 Frank Rosenblatt al referirse a la LTU (Linear Thershold Unit) por ser esta la unidad básica de ella y cuyo posible esquema responde a Cabrá en segunda instancia decir, lógicamente, que ésta se fun- damenta en algo que pueda ser procesable como vínculo con el hardware disponible, desde una CPU o DSP en donde el cálculo matricial (o el desarrollo en series de Taylor o Fourier) es lo suyo, pasando por la GPU y la FPGA para alcanzar un procesamiento en paralelo, para llegar a la TPU que en 'Computación Clásica es la hecha a uso y medida para la IA' y, yendo más allá todavía se nos anuncia 'entusiásticamente' la Computación Cuántica... El propó- sito final no es otro que el de establecer una red neuronal como se muestra simbólicamente en el siguiente gráfico, en donde se aprecia que existe una parte denominada Clasificadora que pasa posteriormente por una Función de Activación (filtro que podrá ser de variado tipo) de adecuación a la información que será obtenida a la salida para su manejo posterior por otras neuronas o por la salida final de la red neuronal. Como se aprecia, su expresión responde a Clasificador: Z j = bj + Êi W ji * X i Función de activación (en el ejemplo, el escalón): If Z j >= 0 Then Y j = 1; Else Y j =0 en donde un multiplicador/sumador digital (o incluso analógico, para un Smart-sensor, por su similitud con un simple Amplificador Operacional y un Array de diferentes valores de Resistencias seguido de un Comparador) es lo idóneo. en el que se aprecia el procesamiento en paralelo y en donde, obviamente, cuantas más capas se añadan una detrás de la otra, más “Deep” será la IA (como lo es la red neuronal convolucional). Señalar la tridimensionalidad de la representación. Como tercera y última instancia (la del software propiamente dicho y por ende la de la verdadera IA) se obtiene lo denominado como aprendizaje que, simplificando certeramente, consiste en lo de ir cal- culando reiterativamente, en sucesión de pruebas de acierto/fallo, el valor de salida (o label) que resulte más apropiado para hallar los factores multiplicativos Wij y la bj (o bias) de cada Clasificador, para ajustar a este al mínimo error final (o loss). O más claramente: se