Saltar al contenido

Red neuronal recurrente (RNN)

Red neuronal diseñada para datos secuenciales, como texto o series temporales, que mantiene un estado interno para recordar información de pasos anteriores. Fue clave antes de los transformers.

Actualizado: 3 de junio de 2026.

Las RNN procesan secuencias paso a paso, arrastrando un "estado" que resume lo visto. Variantes como las LSTM mejoraron su memoria a largo plazo.

Su límite

Procesan en orden, lo que dificulta el paralelismo y la memoria muy a largo plazo. El transformer, con su mecanismo de atención, superó estas limitaciones.

Legado

Aunque hoy los transformers dominan el PLN, las RNN siguen siendo útiles en ciertos problemas de series temporales y dispositivos con pocos recursos.

Aprende Red neuronal recurrente (RNN) con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

TransformerArquitectura de red neuronal, presentada por Google en 2017, que procesa secuencias completas en paralelo usando el mecanismo de atención. Es la base de los modelos de lenguaje modernos como GPT, Claude y Gemini.Deep learning: qué es el aprendizaje profundoDeep learning o aprendizaje profundo es un subcampo del machine learning que entrena redes neuronales con múltiples capas para aprender representaciones de los datos. Cada capa transforma la salida anterior y puede capturar patrones progresivamente más abstractos. Se usa en visión, audio, lenguaje y modelos generativos, pero requiere datos, cómputo, evaluación y controles adecuados.Procesamiento del lenguaje natural (PLN)Disciplina de la IA centrada en que las máquinas entiendan, interpreten y generen lenguaje humano. Abarca desde la traducción y el análisis de sentimiento hasta los modelos de lenguaje generativos.Red neuronal artificialModelo de cálculo inspirado en el cerebro, compuesto por unidades llamadas neuronas organizadas en capas que se conectan mediante pesos ajustables. Al entrenarse, esos pesos se afinan para transformar entradas en salidas útiles.Mecanismo de atenciónComponente de los transformers que permite al modelo ponderar la importancia de cada token respecto a los demás al procesar una secuencia. Gracias a él, el modelo capta relaciones a larga distancia dentro del texto.

Ver todos los términos