La neuroeconomía es el estudio de la relación entre lo que sucede en el cerebro humano durante la toma de decisiones y la conducta de los agentes económicos. Entender por qué tomamos las decisiones nos permitirá realizar modelos predictivos donde establecer una conducta de compra.

Introducción a la neuroeconomía

En un primer momento se pensaba que actuábamos de forma racional, que tomábamos las decisiones por una cuestión de optimizar los recursos que teníamos y por una cuestión de sentido común. Autores como Adam Smith (1956), Marshall (1920) defienden que si existe de manera racional pero se ve influido por el interés personal, siguiendo con la idea de que la gente hace lo que hace por algo.

Keynes por otro lado se aparta del concepto de racionalidad cuando se pregunta: cómo puede ser que aún cuando el análisis racional de los proyectos de inversión nos muestra su inconveniencia, los agentes económicos deciden invertir y a pesar de que hay una alta probabilidad de que el proyecto no salga rentable y que a veces lleve a la quiebra al inversor.

Por ello autores como Simón (1978) introducen la psicología y sociología como herramienta para entender el comportamiento del ser humano. Al cuestionarse esa actitud racionalista los economistas crean una nueva corriente “Behavioral economics” donde se empieza a reclamar una mayor presencia de la psicología y la experimentación en el campo de la economía.

Participación de las emociones en la toma de decisiones

La neuropsicología y los avances en anatomía han demostrado la relación del cerebro con el comportamiento emocional de los individuos. Los estudios han señalado la relación que existe con diferentes partes del cerebro (Lóbulo frontal, la amígdala,..) con reacciones emotivas del ser humano. Es importante analizar el papel del cerebro cuando los individuos evalúan decisiones y categorizan riesgos.

Antonio Dámaso reflejaba que el ser humano llegaría a su nivel más alto de inteligencia cuando este fuera capaz de suprimir las emociones. Las zonas que se encontraban más dañadas del paciente u otros que presentan estas conductas, son aquellas que conectan:

Por estas "taras", toman mejores decisiones económicas por la ausencia de emociones como el miedo.

El Big data convierte datos en información

Las emociones juegan un papel fundamental en la toma de decisiones del individuo. Por eso, es en el análisis de todos los resultados que se realizan en los mencionados experimentos donde llegamos a conclusiones. Ahí nos ayuda el Big Data; convierte esos datos en información útil.

Bajo el paraguas del Big Data, se cobijan una serie de fenómenos que tienen como denominador común el facilitar la utilización y el cruce de datos relacionados con la actividad económica y de comunicación para mejorar su eficacia.

Conclusión

Por ello, con estos conocimientos base de la neuroeconomía y añadiendo la información que podemos generar con el Big Data, se optimiza la toma de decisiones estratégicas personalizadas para el público.

Es por este auge de la importancia de los datos, de sus aplicaciones y de la creciente necesidad de puestos en el sector por lo que nace Datahack. Creamos el mejor master Big Data & Analytics del mercado para formar a profesionales de los datos.

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

La semana pasada, en el artículo Introducción a neurociencia: saber imprescindible para las Neural Networks (1), se había concluido con la generación de un spike. Este spike avanza hasta alcanzar el final del axón (o cuerpo de la neurona). ¿Y entonces? Es en ese momento cuando se entra en la sinapsis.

Sinapsis

La sinapsis es el punto de unión entre dos neuronas y puede ser de varios tipos:

Sinapsis eléctrica

En una sinapsis eléctica entre una neurona A y otra neurona B, cuando se produce actividad en la neurona A, esta se propaga a la neurona B. Lo que es lo mismo, cuando se produce un spike en la neurona A, tiene lugar un cambio en el voltaje de la neurona B. Esto se consigue a través de las uniones gap (gap junctions) que son, en esencia, canales iónicos:

Introducción a neurociencia, saber imprescindible para las Neural Networks 2

Un canal iónico es un tipo de proteína que se incrusta en la membrana de una célula permitiendo el paso de iones específicos a través de dicha membrana celular.

Como se aprecia en la ilustración, la peculiaridad de estos canales iónicos, que componen las uniones gap, es que se extienden a través de las membranas de ambas neuronas. De este modo, si se produce una excitación en la neurona A, motivada por un spike y la concentración de iones sodio (Na+) es mayor en la neurona A que en la neurona B, los canales iónicos facilitan la migración de ese tipo de iones hacía la neurona B. De esta forma, como resultado de cierta actividad en la neurona A, se produce un cambio en el potencial de la neurona B.

La sinapsis eléctrica es especialmente relevante en aquellos casos en los que se requiere la sincronización de un grupo de neuronas de manera que todas ellas se activen a la vez. Esto es un común, por ejemplo, en los actos reflejos de huida.

Sinapsis química

Introducción a neurociencia, saber imprescindible para las Neural Networks 2

En este tipo de sinapsis, todo empieza de la misma manera que en el anterior: con un spike que se genera en la neurona A y que se desplaza a lo largo de su axón... Pero, en esta ocasión, al final del camino existen unas bolsitas o vesículas que contienen moléculas neurotransmisoras. Debido al potencial generado en la neurona A, esas vesículas se fusionarán con la membrana celular. Así, liberarán los neurotransmisores que, a su vez, se depositarán en el pequeño hueco de la unión gap conocido como synaptic cleft (o hendidura sináptica)

Una vez liberados los neurotransmisores, estos se fusionan con los receptores de la neurona B (estos receptores son en realidad, canales iónicos) que controlarán la entrada y salida de los diferentes tipos de iones en función de la concentración de los mismos dentro y fuera de la neurona.

En la sinapsis química, todo comienza realmente con una actividad eléctrica (la que ocurre en la neurona A). Esta desencadena una actividad química (las moléculas neurotransmisoras liberadas de las vesículas en la neurona A, que se unirán con los receptores de la neurona B) que a su vez dé pie a otra actividad eléctrica motivada por la entrada de iones en la neurona B a través de los receptores.

Parece demasiado lío teniendo en cuenta que ya existe un tipo de sinapsis como es la sinapsis eléctrica. Entonces...¿por qué tomarse la molestia con la sinapsis química? Este tipo de sinapsis da un punto de flexibilidad adicional. Esto es porque permite cambiar cómo la neurona B es afectada por la neurona A, en función del número de canales iónicos que existan en la neurona B. Se cree que este tipo de sinapsis es la base del aprendizaje y de la memoria.

Todo esto nos lleva a una reflexión...

Con estos proceso tan intrincados...¿tiene sentido pensar todavía que las redes neuronales tratan de reflejar el comportamiento del cerebro? Pronto lo sabremos.

En el próximo artículo continuaremos con la sinapsis y la doctrina sináptica.


Alejandro Arranz. Data Engineer en datahack

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

La convergencia entre la neurología y las ciencias de la computación es una tendencia innegable. Cada vez aprendemos más sobre nuestro cerebro gracias a los avances en Machine Learning y viceversa: descubrimos cómo construir y mejorar nuestros modelos informáticos en base a los descubrimientos de la neurociencia. Es por ello que, si queremos trabajar con deep learning y redes neuronales, debemos tener, al menos, unas nociones básicas de neurociencia.

La base de todo: la neurona

Si nuestro cerebro fuera una especie de escenario, la estrella indiscutible sería la neurona. El tamaño de una neurona es variable, siempre en el orden de la millonésima de metro (µm), pero no pensemos que todas las neuronas son iguales:

Introducción a neurociencia - primer paso para desarrollar Neural Networks

En estos fantásticos bocetos de tejido neuronal hechos por Don Santiago Ramón y Cajal, se aprecian distintos tipos de neuronas:

En tiempos de Ramón y Cajal, dos de las principales hipótesis que pugnaban por proponer una explicación satisfactoria a la incógnita de la estructura del cerebro eran:

Paradójicamente, los avances logrados por el propio Golgi en las técnicas de tintado de tejido nervioso permitieron a Ramón y Cajal no solo hacer los magníficos grabados mostrados más arriba, sino demostrar que la teoría neuronal era la que explicaba la realidad del cerebro. Ambos obtuvieron el premio Nobel de Medicina en 1906 por sus avances en el conocimiento del cerebro.

Doctrina neuronal

Los pilares fundamentales de la teoría encabezada por Ramón y Cajal son los siguientes:

En este esquema (obtenido del curso de neurociencia de la Universidad de Washington), se puede apreciar cual es el aspecto de una neurona que responda al esquema ideal planteado por la doctrina neuronal:

Introducción a neurociencia - primer paso para desarrollar Neural Networks

En la parte izquierda se muestra como la entrada de la neurona procede de los axones de otras neuronas. Estas “entradas” se traducen en algún tipo de actividad en la neurona destino que da lugar a una reacción conocida como EPSP (Excitatory Post-Synaptic Potential). En la realidad, las entradas proceden de muchas neuronas diferentes y participarán en la respuesta de la célula mediante la suma de todos los EPSP provocados. De este modo si como resultado de esa suma, se alcanza un determinado umbral o threshold, se generará una salida en la forma de un potencial de acción (action potential) o spike.

En resumen,

Los modelos de redes neuronales se basan en estos principios para funcionar.

En el próximo artículo hablaremos de la sinapsis y en el siguiente profundizaremos en la doctrina sináptica. Si os ha gustado y queréis seguir profundizando... ¡hacédnoslo saber!


Alejandro Arranz, Data Engineer en datahack

MÁSTER EXPERTO EN BIG DATA & ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.

chevron-down