In inglese definite ANN – Artificial Neural Networko, 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.
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). E, oggi, dopo un arco di tempo lungo ben 77 anni, gli ambiti di applicazione del Neural Networkincludono – solo per citarne alcuni – la risoluzione di problemi ingegneristici di intelligenza artificiale legati all’informatica, all’elettronica e ai simulatori, tra cui il controllo di veicoli e di processi e il riconoscimento di pattern, con funzioni di previsione, classificazione, elaborazione dati, clustering e altro ancora.
Ma, a questo punto, la domanda è una: come possono neuroni artificiali arrivare a risolvere (e con successo) problemi di tale portata e a svolgere funzioni di tale complessità?
In questo articolo cercheremo di dare una risposta, partendo da quelli che sono i meccanismi della macchina che governa le reti neurali. Ma procediamo per gradi.
Indice dei contenuti
Il funzionamento delle reti neurali
Le reti neurali artificiali sono progettate per riprodurre il funzionamento dei neuroni umani. Siamo nel regno dell’intelligenza artificiale, dove una macchina, un processore basato sul modello del cervello biologico, è composto da unità computazionali elementari (i neuroni artificiali, appunto), “nodi” di una “rete” che possiede determinate capacità di elaborazione.
Per comprendere appieno tale struttura e il suo meccanismo, è necessario fare riferimento al Deep Learning – o “apprendimento profondo” – a sua volta 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, appunto, reti neurali organizzate in diversi strati, dove ogni strato calcola i valori per quello successivo, affinché l’informazione venga via via processata in maniera sempre più completa e profonda.
In linea generale, le reti neurali si compongono di tre strati, capaci di coinvolgere migliaia di neuroni e decine di migliaia di connessioni: lo strato di ingresso (I – Input), lo strato “nascosto” e lo strato di uscita (O – Output).
Il primo è quello che ha il compito di ricevere ed elaborare segnali e dati provenienti dall’esterno; il secondo strato, chiamato strato H – Hidden (traduzione di “nascosto”),ha in carico il processo di elaborazione vero e proprio, mentre lo strato di uscita raccoglie i risultati dell’elaborazione dello strato H, i quali vengono poi adattati alle richieste del successivo livello della rete neurale.
Il processo prevede, in sostanza, 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.
Come viene addestrata una Neural Network
Torniamo alla domanda posta all’inizio: come fanno le reti neurali a risolvere problemi ingegneristici di intelligenza artificiale?
La risposta è nel loro addestramento, che consiste nel metterle in grado di apprendere come comportarsi nel momento in cui, ad esempio, saranno chiamate a riconoscere un soggetto a partire da una serie di immagini, attraverso la tecnologia del riconoscimento facciale.
La fase di addestramento del Neural Network avviene mediante un set di dati scelti ad hoc, in funzione della specifica applicazione che si intende trasferire alla macchina.
Quando si parla di apprendimento da parte delle reti neurali, il riferimento d’obbligo è al Machine Learning, ossia 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, con un intervento umano ridotto al minimo.
Oggi, gli algoritmi di Machine Learning utilizzati per addestrare le reti neurali si dividono essenzialmente in quattro categorie (modello supervisionato, non supervisionato, per rinforzo e semi-supervisionato), la cui scelta dipende dal campo di applicazione per cui la Neural Newtwork è progettata.
Nel modello di apprendimento supervisionato (Supervised Learning), alla rete viene fornito un training set fatto di input ai quali corrispondono determinati output. Analizzandoli, la rete apprende il nesso che li unisce e, in questo modo, impara a generalizzare, a calcolare nuove associazioni input-output processando nuovi input.
A una rete neurale ad apprendimento non supervisionato (Unsupervised Learning), invece, vengono somministrati solo set di dati input, senza alcuna indicazione del risultato desiderato. Lo scopo, in questo caso, è identificare negli input una struttura logica.
Nell’apprendimento per rinforzo, non esistono né esempi di associazioni input-output, né aggiustamenti degli output. Viene solo fornito un risultato da ottenere, considerando “rinforzo” l’azione che avvicina a tale risultato, addestrando, così, la rete a eliminare quelle azioni che, al contrario, la allontanano dal risultato atteso.
Infine, l’apprendimento semi-supervisionato è un modello ibrido, dove alla rete viene fornito un set di dati incompleto: alcuni dotati dei rispettivi esempi di output (come nell’apprendimento supervisionato), altri invece privi, come accade nell’apprendimento non supervisionato.
L’utilizzo delle reti neurali nelle analisi predittive
Utilizzare informazioni, algoritmi statistici e tecniche di Machine Learning per individuare la probabilità di determinati risultati futuri, basandosi sui dati storici: questo l’obiettivo dell’analisi predittiva. Prevedere il futuro a partire dallo storico dell’impresa, dunque.
A quale scopo? Per risolvere problemi oppure per scoprire nuove opportunità. Tra gli usi più comuni, ad esempio, il rilevamento di tutte le azioni avvenute sulla rete aziendale, per individuare anomalie che potrebbero indicare frodi, falle di sicurezza o minacce al sistema cyber.
E poi l’ottimizzazione delle campagne di marketing, in cui l’analisi predittiva viene utilizzata per fare previsioni circa le risposte da parte dei clienti o i loro acquisti.
Tra le tecniche utilizzate nell’ambito di tali analisi, oltre alla statistica e al Machine Learning, figurano anche le reti neurali, in quanto in grado di identificare e analizzare relazioni estremamente complesse tra i dati.
In particolare, il loro valore sta nella capacità di gestire quelle correlazioni non lineari presenti nei dati, problema, questo, sempre più frequente, data la crescente mole di dati che le imprese si trovano a raccogliere e ad elaborare quotidianamente.
Nelle analisi predittive, si ricorre spesso alle reti neurali anche per confermare i risultati ottenuti per mezzo di altre tecniche oppure quando non si conosce il nesso tra alcuni dati input e i relativi dati output.
Di seguito, ricordiamo solo alcuni dei tanti settori che, negli ultimi anni, si sono maggiormente serviti dell’analisi predittiva, includendo le reti neurali tra le tecniche impiegate.
- Retail: èprobabilmente il settore più ampio che la utilizza, sempre alla ricerca di come migliorare la leadership e instaurare relazioni proficue e durature con i clienti. Uno degli esempi più classici negli acquisti online, i consigli di Amazon: quando si effettua un acquisto, viene visualizzato un elenco di altri articoli simili, acquistati da altri acquirenti.
- Valutazione dei rischi: le compagnie di assicurazione, negli ultimi anni, hanno visto ridurre le proprie perdite grazie all’analisi predittiva, che le ha aiutate anche ad analizzare e a stimare le perdite future, a pianificare campagne di marketing e a fornire informazioni più puntuali.
- Servizi finanziari: l’analisi predittiva aiuta a ottimizzare, in generale, la strategia aziendale, a partire dalla generazione dei ricavi e delle vendite, fino alla gestione delle risorse.
- Energia: l’analisi predittiva riferita alle centrali elettriche è in grado di ridurre i guasti imprevisti delle apparecchiature, contribuendo, così, a ridurre i costi di manutenzione e a migliorare la disponibilità di energia.
- Social media: rappresentano ormai uno strumento nuovo per produrre dati e informazioni utili alle aziende, con la possibilità, attraverso il monitoraggio costante dei commenti, di ottenere feedback immediati da parte di clienti, attivi e potenziali.
