Pilastri fondamentali dell’Intelligenza Artificiale (AI) e del Machine Learning, le reti neurali hanno la capacità di apprendere dai dati e di effettuare previsioni particolarmente accurate. Sulla base delle informazioni acquisite, questi sistemi compiono azioni specifiche, ispirandosi al funzionamento del cervello umano.
Ma cosa sono, esattamente, le reti neurali? Quali sono i modelli di apprendimento e quale la connessione tra reti neurali e Intelligenza Artificiale? Scopriamo tutto quel che occorre sapere riguardo questi innovativi sistemi.
Indice dei contenuti
Reti Neurali: Cosa sono?
In inglese definite ANN (Artificial Neural Network) o, più semplicemente NN (Neural Network), le reti neurali sono modelli matematici costituiti da neuroni artificiali che, nell’intento di replicarlo artificialmente, emulano il funzionamento del cervello umano, per raggiungere prestazioni cognitive che in qualche modo gli si avvicinino.
Questi sistemi di calcolo presentano nodi interconnessi, dal funzionamento simile a quello dei neuroni del cervello umano. Le reti neurali impiegano algoritmi per riconoscere modelli e correlazioni nascoste, presenti in dati non strutturati, con l’intento di classificarli e raggrupparli. L’obiettivo finale è quello di apprendere costantemente da tali dati, migliorando in modo continuo le capacità di previsione e di azione.
Cenni storici
Il tentativo di modellare il primo neurone artificiale della storia risale al 1943, per mano di un neurofisiologo e di un matematico statunitensi (Warren Sturgis McCulloch e Walter Pitts). Nel 1943 venne pubblicato un articolo sul funzionamento dei neuroni: da esso, i due pionieri riuscirono a creare una rete neurale semplice impiegando i circuiti elettrici.
Il modello rivoluzionario inaugurò una ricerca sulle reti neurali focalizzata su due diverse aree:
- i processi biologici del cervello;
- l’applicazione delle reti neurali all’Intelligenza Artificiale.
La comprensione del funzionamento e delle potenzialità di sinapsi e neurotrasmettitori del cervello umano ha contribuito, nel corso degli anni, allo sviluppo dei primi modelli di reti neurali artificiali. Nel 1975 vi fu un’accelerazione nella ricerca sull’Intelligenza Artificiale: Kunihiko Fukushima sviluppò, infatti, la prima vera rete neurale multistrato. L’obiettivo principale dell’approccio alla rete neurale era quello di creare un sistema computazionale capace di risolvere problemi. Nel corso del tempo, i ricercatori hanno spostato il focus sull’impiego delle reti neurali per l’esecuzione di compiti specifici. Hanno quindi creando sistemi in grado di supportare attività come: riconoscimento vocale, traduzione automatica, computer vision, filtraggio dei social network, diagnosi medica.
Oggi gli ambiti di applicazione del Neural Network includono la risoluzione di problemi ingegneristici di Intelligenza Artificiale legati all’informatica, all’elettronica e ai simulatori. Problemi connessi, ad esempio, al controllo di veicoli e di processi, al riconoscimento di pattern con funzioni di previsione, classificazione, elaborazione dati, clustering e altro ancora.
Negli anni, il volume dei dati strutturati e non strutturati è aumentato in modo esponenziale, sino all’arrivo dei big data. In questo scenario, sono stati sviluppati sistemi di deep learning, ovvero reti neurali munite di molti strati. Come vedremo più avanti, il deep learning permette, al giorno d’oggi, di acquisire ed estrarre un numero sempre maggiore di dati, compresi i dati non strutturati.
Come funzionano le reti neurali
Le reti neurali artificiali sono progettate per riprodurre il funzionamento dei neuroni umani. Tali sistemi vivono all’interno di un contesto più ampio, proprio dell’Intelligenza Artificiale. Un contesto in cui una macchina (un processore basato sul modello del cervello biologico) è composta da unità computazionali elementari (i neuroni artificiali). Ovvero, i “nodi” di una “rete” che possiede determinate capacità di elaborazione.
Le reti neurali sono composte da tre strati, capaci di coinvolgere migliaia di neuroni e decine di migliaia di connessioni:
- lo strato di ingresso (I – Input), che ha il compito di ricevere ed elaborare segnali e dati provenienti dall’esterno;
- lo strato “nascosto”, chiamato strato H – Hidden, è lo strato che si occupa del processo di elaborazione vero e proprio;
- lo strato di uscita (O – Output), il quale raccoglie i risultati dell’elaborazione dello strato H, che vengono poi adattati alle richieste del successivo livello della rete neurale.
Proprio come avviene nelle connessioni neuronali biologiche, le dendriti artificiali (analoghe agli strati di input), ricevono i segnali dall’esterno, mentre i cosiddetti assoni (strati di output), trasmettono risposte elaborate dalla rete neurale. Dendriti e assoni, inviando segnali attraverso sinapsi e facilitati dai neurotrasmettitori, aumentano sostanzialmente la capacità di apprendimento delle reti neurali.
Il processo prevede che quanto viene prodotto “in uscita” dal primo strato di neuroni artificiali faccia poi da input allo strato successivo e così via, in un ciclo continuo.
Il funzionamento delle reti neurali consente alle persone di risolvere, in modo più semplice, problemi complessi che riguardano situazioni reali. È possibile, utilizzando le reti neurali:
- fare generalizzazioni e inferenze;
- modellare o acquisire relazioni complesse tra input e output;
- individuare schemi nascosti e relazioni;
- fare previsioni;
- modellare dati particolarmente volatili e varianze.
L’utilizzo delle reti neurali, quindi, consente di ottimizzare i processi di decision making in aree quali logistica, marketing mirato, rilevamento frodi, previsioni finanziarie, controllo qualità e processi, sistemi di controllo robotici, diagnosi mediche e computer vision.
Tipologie
A seconda dell’utilizzo che se ne deve fare, è possibile scegliere tra diverse tipologie di reti neurali. Scopriamo le caratteristiche delle principali tipologie in uso.
Reti neutrali convoluzionali
Le CNN (Convolutional Neural Network) sono reti neurali suddivise in 5 strati: input, convolution, pooling, fully connected e output. Tutti gli strati di questa rete hanno un preciso scopo, tra cui riassumere, connettere e attivare i dati. Le reti neurali convoluzionali sono famose per la loro abilità di classificare immagini e rilevare oggetti. Le CNN possono efficacemente essere applicate anche ad altre attività, come previsioni e language processing.
Reti neurali ricorrenti
Le RNN (Recurrent Neural Network) sono reti neurali che impiegano informazioni sequenziali (dati organizzati in ordine temporale, provenienti da dispositivi o da frasi orali), generalmente composti da una sequenza di termini. Gli input della rete neurale ricorrente non sono indipendenti l’uno dall’altro, a differenza delle reti neurali tradizionali. L’output di ogni elemento deriva dai calcoli sugli elementi precedenti di proprietà dell’elemento indipendente. Le RNN possono essere impiegate per la previsione e per le serie temporali, per le applicazioni di testo e nell’analisi del sentiment.
Reti neurali autoencoder
Queste reti neurali vengono impiegate per realizzare astrazioni, chiamate anche codificatori. Tali astrazioni vengono generate da un insieme di input, modellando questi elementi in modo non supervisionato. Gli autoencoder deseinsibilizzano i dati irrilevanti, sensibilizzando i dati molto rilevanti. Con l’aumentare degli strati, vengono create astrazioni aggiuntive situate nei livelli superiori, ovvero negli strati più prossimi al punto in cui viene introdotto lo strato di decodifica. Le astrazioni possono essere impiegate da classificatori lineari oppure non lineari.
Reti neutali feedforward
Questi sistemi elaborano i dati in un’unica direzione, dal nodo input al nodo output. Tutti i nodi presenti in un livello sono connessi al nodo del livello successivo. La rete feedfowrard impiega un processo di feedback utile al miglioramento delle previsioni, nel corso del tempo di utilizzo.
Modelli e algoritmi di apprendimento
A differenza delle reti neurali biologiche, nelle reti neurali artificiali il processo di apprendimento automatico risulta essere più semplice. I nodi, infatti, ricevono i dati in input, si occupano di processarli e inviano le informazioni agli altri neuroni. I cicli di input-elaborazione-output forniscono generalizzazioni e output corretti, associati a input che non fanno parte del set di training.
Gli algoritmi di apprendimento che generalmente vengono utilizzati per istruire le reti neurali possono essere suddivisi in tre macro categorie. A seconda del campo di applicazione della rete, della tipologia della stessa, è possibile procedere per modelli e algoritmi di apprendimento:
- supervisionato;
- non supervisionato;
- di rinforzo.
Scopriamo le caratteristiche di ciascun algoritmo.
Apprendimento supervisionato (Supervised Learning)
Questo algoritmo consente di fornire alla rete neurale un set di input, ai quali corrispongono output noti. La rete, analizzando gli input, apprende la connessione tra i dati in entrata e in uscita, imparando a generalizzare e a fornire nuove associazioni corrette input-output. La rete riesce a processare, quindi, anche input esterni al set di training.
La macchina, man mano che elabora output, viene direzionata e corretta affinché possa migliorare lo standard delle risposte fornite, modificandone il peso. In questo modo vengono incrementati i pesi dai quali derivano output corretti, e possono diminuire i pesi che generano valori non veritieri.
Il meccanismo di apprendimento supervisionato utilizza l’Error Back-Propagation, ma allo stesso tempo è estremamente rilevante l’attività dell’operatore fisico che istruisce la rete. Non è semplice, infatti, determinare un rapporto equo tra le dimensioni del set di training, della rete e la capacità di generalizzare che si vuole ottenere.
Aumentando i parametri in ingresso o incrementando la capacità di elaborazione, infatti, si riscontrerà una maggiore difficoltà di apprendimento per la rete neurale, che non sarà in grado di generalizzare correttamente. Gli input esterni al set di training, infatti, verranno valutati come troppo dissimili, in quanto non dettagliati come i modelli riconosciuti dalla rete.
Un set di training dalle variabili scarse sarà allo stesso tempo un elemento che comprometterà l’efficienza della rete neurale. Essa, in questo caso, non avrà parametri a sufficienza per comprendere come generalizzare.
L’efficacia dell’apprendimento supervisionato dipende molto dall’esperienza e dalla preparazione degli operatori. Questo modello viene generalmente utilizzato per le reti feedforward.
Apprendimento non supervisionato (Unsupervised Learning)
La rete neurale, in questo caso, riceve esclusivamente un insieme di variabili in input. Si occupa di analizzarle e di creare cluster rappresentativi utili a categorizzare i parametri. Le reti imparano a riconoscere pattern e relazioni tra dati senza ricevere una guida esterna, adattandosi in modo autonomo e rilevando la regolarità nei dati. I valori dei pesi sono piuttosto dinamici, ma sono i nodi stessi a gestirne le modifiche. L’approccio non supervizionato permette di identificare pattern sconosciuti nei dati, rendendo più snello il processo di clustering, di classificazione e di riduzione della dimensionalità.
Apprendimento per rinforzo
L’algoritmo di rinforzo non prevede associazioni input-output di esempio, né l’adeguamento esplicito degli input da ottimizzare. La rete neurale, in questo caso, apprende esclusivamente mediante l’interazione con l’ambiente. Sulla base di essa, può eseguire una serie di azioni.
Il rinforzo rappresenta quell’azione utile ad avvicinarsi al risultato, che viene predeterminato. Al contrario, la rete può apprendere eliminando le azioni negative, che compromettono il processo e causano errori. Un algoritmo di apprendimento per rinforzo ha l’obiettivo di indirizzare la rete neurale verso il risultato desiderato, mediante una politica fondata su azioni negative e azioni positive. La macchina impara, così, a trovare soluzioni “creative”.
Apprendimento semi-supervisionato
Questo modello ibrido prevede l’impiego di una combinazione di dati, etichettati e non etichettati, per l’addestramento della rete neurale. Il set di dati incompleto è composto da esempi di output (come nell’apprendimento supervisionato) e da altri dati non etichettati. Questo approccio mira a ottimizzare le prestazioni della rete neurale, consentendole di scoprire pattern particolarmente complessi. Una soluzione utile quando la raccolta dei dati etichettati risulta essere troppo laboriosa o costosa.
Inizio modulo
Reti neurali e Intelligenza Artificiale
Ma come possono le reti neurali risolvere problemi ingegneristici di Intelligenza Artificiale? La risposta è strettamente collegata alla tipologia di addestramento della macchina.
Quando si parla di apprendimento da parte delle reti neurali, il riferimento d’obbligo è al Machine Learning. Ovvero, a quella branca dell’Intelligenza Artificiale in base alla quale i sistemi possono imparare dai dati con i quali vengono addestrati, arrivando a identificare modelli e a prendere decisioni autonomamente. In questo caso l’intervento umano previsto si riduce al minimo.
Ma qual è la connessione tra reti neurali e Intelligenza Artificiale? Mentre la rete neurale elabora input complessi mediante la simulazione di neuroni artificiali e connessioni interne, l’AI comprende un insieme multisfaccettato di algoritmi e tecniche che permettono ai computer di imitare l’intelligenza umana, in differenti modalità e forme.
L’integrazione delle reti neurali nei processi di Intelligenza Artificiale ha consentito di raggiungere progressi significativi in molteplici ambiti: dalla medicina all’analisi dei dati, dall’automazione industriale alla guida autonoma.
Le reti neurali rappresentano uno strumento estremamente versatile e potente, che se associato all’Intelligenza Artificiale può permettere di sviluppare nuove tecnologie e applicazioni ancora inesplorate. In particolare, la connessione tra AI e reti neurali apre nuove frontiere garantendo i seguenti vantaggi:
- risoluzione dei problemi complessi, mediante le tecniche di deep learning;
- automazione dei processi decisionali;
- analisi avanzata dei dati non strutturati;
- capacità di adattamento ai cambiamenti ambientali;
- innovazioni nell’ambito della sicurezza, della medicina e in numerosi altri settori;
- miglioramento significativo dei sistemi in termini di precisione, automatizzazione ed efficienza.
Un confronto tra deep learning e reti neurali
Per comprendere appieno la struttura e il meccanismo di una rete neurale, è necessario fare un confronto con il deep learning o “apprendimento profondo”. Il deep learning è, a sua volta, un campo di ricerca del machine learning, denominato anche “apprendimento automatico”.
Il deep learning si fonda su algoritmi in grado di imitare la struttura neuronale del cervello umano, creando reti neurali organizzate in diversi strati. Ogni strato calcola i valori per quello successivo, affinché l’informazione venga via via processata in maniera sempre più completa e profonda.
Questo metodo addestra i computer a elaborare i dati, riconoscendo modelli complessi in testi, suoni e immagini. L’obiettivo è quello di produrre approfondimenti e previsioni maggiormente accurate.
La rete neurale è la tecnologia che vive alla base del deep learning. Tutti i sistemi di deep learning sono costituiti da reti neurali, che rappresentano il vero e proprio fulcro di queste strutture. I dettagli tecnici variano, in quanto alcune reti neurali non possono essere impiegate nei sistemi di deep learning. In particolare, la rete neurale feedforward si differenzia dai sistemi di deep learning per:
- l’architettura. Una rete neurale semplice è composta da nodi e livelli connessi ai nodi e ai livelli successivi. Un unico livello rimane nascosto. Invece, nei sistemi di deep learning vivono diversi livelli nascosti, che ne caratterizzano la profondità;
- la complessità, poiché le reti neurali hanno dei parametri (pesi e distorsioni, associati a ciascuna connessione tra neuroni). In una rete neurale semplice è presente un numero relativamente basso di parametri, a differenza dei sistemi di deep learning, che risultano essere più complessi e impegnativi dal punto di vista computazionale. Il sistema di deep learning coinvolge, infatti, più strati e nodi e, talvolta, anche autocodificatori (strati di neuroni decodificatori in grado di rilevare le anomalie, contribuire alla modellazione generativa e alla compressione dei dati);
- le prestazioni. Le reti neurali feedforward garantiscono ottime prestazioni nella risoluzione di problemi semplici (come l’identificazione di schemi elementari o la classificazione delle informazioni). Trovano, tuttavia, maggiori difficoltà quando devono risolvere problemi complessi. Gli algoritmi di deep learning, invece, elaborano e analizzano un immenso volume di dati attraverso i livelli nascosti di astrazione. Hanno la capacità di eseguire attività anche molto complesse, come il riconoscimento vocale o l’elaborazione del linguaggio naturale (NLP);
- la formazione. L’addestramento della rete neurale risulta essere più semplice e rapido, essendo essa composta da un numero minimo di connessioni e livelli. Nonostante ciò, la semplicità di tali connessioni determina un chiaro limite alla loro capacità di apprendimento. Ciò le rende inadatte all’esecuzione di analisi complesse. I sistemi di deep learning, invece, hanno una capacità di apprendimento maggiore e sono in grado di comprendere abilità e modelli molto complessi. Il deep learning, impiegando molti livelli nascosti, ha l’abilità di creare sistemi complessi e addestrarli a svolgere in maniera egregia attività anche molto complicate (a fronte di una maggiore quantità di risorse e di set di dati più vasti).
Anche nella pratica le reti neurali e il deep learning si differenziano, in quanto:
- le reti neurali possono essere impiegate per progetti di dimensioni ridotte, avendo limitati requisiti computazionali. Quindi, rappresentano la soluzione più conveniente per la visualizzazione dei dati e per il riconoscimento dei modelli;
i sistemi di deep learning possono essere impiegati in molteplici contesti e applicazioni. Avendo un’importante capacità di apprendere i dati, sviluppare funzionalità ed estrarre modelli, questi sistemi offrono prestazioni ottimali nell’elaborazione del linguaggio naturale, nel riconoscimento vocale e nel settore della guida autonoma.
