Over 10 years we help companies reach their financial and branding goals. Engitech is a values-driven technology agency dedicated.

Gallery

Contacts

411 University St, Seattle, USA

engitech@oceanthemes.net

+1 -800-456-478-23

Artificial Intelligence Development Technology

Reti neurali

Le reti neurali artificiali sono dei modelli matematici di neuroni artificiali, basati su quelli del cervello umano e animale. La loro funzione principale è quella di elaborare informazioni sfruttando meccanismi simili a quelli dell’intelligenza umana.

Le reti neurali, composte da algoritmi, sono usate per risolvere problemi non facilmente codificabili, e sono una colonna portante del Machine Learning.

Immagine di ramificazione delle reti neurali

Cosa sono le reti neurali?

Le reti neurali artificiali (ANN, Artificial Neural Network), normalmente chiamate solo reti neurali (NN, Neural Network) prendono questo nome perché il comportamento dei nodi che le compongono ricorda quello dei neuroni biologici. Sono strutture di dati statistici, elaborate come strumenti di modellazione. Possono essere utilizzate per simulare relazioni complesse tra ingressi e uscite che altre funzioni analitiche non riescono a rappresentare.

Le NN si basano su un gruppo di interconnessioni di informazioni dato da neuroni artificiali e processi che utilizzano un approccio di collegamento di calcolo. Una rete neurale è un sistema adattivo, cioè cambia la propria struttura in base a informazioni esterne o interne che procedono attraverso la rete stessa nella fase di apprendimento.

Abbiamo detto che le NN imitano le connessioni che avvengono nel cervello umano e cercano di replicare gli stessi schemi nei processi di intelligenza artificiale. Per questo, se un neurone riceve input da altri neuroni tramite connessioni sinaptiche e li integra, una rete neurale cercherà di compiere la stessa operazione. Le reti neurali sono modelli costituiti da almeno due strati, uno d’ingresso e uno d’uscita, oltre che da strati intermedi. Il numero degli strati è quindi conseguenziale alla complessità del problema.

Le reti neurali sono formate da tre strati: lo strato degli interessi, cioè gli input; quello hidden, o nascosto; e infine quello di uscita, ossia gli output. Gli input ricevono ed elaborano i segnali in ingresso adattandoli alle richieste dei neuroni della rete presa in considerazione. Lo strato nascosto indica il processo di elaborazione vero e proprio e può avere vari livelli. Infine gli output raccolgono i risultati dell’elaborazione dello strado hidden e li adattano alle richieste del livello successivo della rete neurale.

Funzionamento delle reti neurali

Struttura basica delle reti neurali

Ma cosa succede nel concreto? Le informazioni sono trasferite ai neuroni dello strato di ingresso, dove sono elaborate. Ad ogni neurone è assegnato un peso, corrispondente alla sua importanza. I neuroni delle reti neurali sono collegati, fra loro e con quelli degli strati successivi, grazie alle connessioni pesate. Il peso, insieme a una funzione di trasferimento, determina quindi la comprensione della sezione in cui il neurone deve essere inoltrato. Nella fase successiva una funzione di attivazione e un valore di soglia calcolano il valore di uscita del neurone. In base a questi processi sono collegati e attivati altri neuroni in misura maggiore o minore.

A questo punto un algoritmo produce un risultato per ogni ingresso. Questo è modificato ad ogni addestramento, in modo da permettere alla rete di fornire risultati sempre precisi ed adeguati. E dopo aver ricevuto segnali esterni su uno strato di nodi d’ingresso, ognuno collegato con numerosi nodi interni organizzati su più livelli, li elabora e trasmette il risultato a nodi successivi. Per semplificare: gli input giungono alle reti neurali che li elaborano generando gli output che costituiscono il risultato finale.

Modelli di apprendimento delle reti neurali

Per compiere le proprie mansioni le reti neurali artificiali devono però essere addestrate. Si utilizzano quindi degli algoritmi di apprendimento, la cui scelta dipende dal campo di applicazione per cui la rete è progettata e dalla sua tipologia. Gli modelli di apprendimento sono:

  • Apprendimento supervisionato, la rete riceve un insieme di input e output correlati. Dopodiché questa analizza i dati ricevuti e calcola nuove associazioni ed estrapola una regola riutilizzabile per altri compiti simili;
  • Apprendimento non supervisionato, il sistema riceve solo variabili di input. In seguito all’analisi la rete deve quindi creare dei cluster per categorizzarle vista l’assenza delle variabili in uscita;
  • Apprendimento per rinforzo, non son previsti l’apporto di input ed output perché i circuiti neurali apprendono informazioni e memorizzano in base alle interazioni con l’ambiente. Il suo obiettivo è quello di guidare la rete neurale al risultato sperato, ma attraverso un meccanismo di incentivi e disincentivi vista la probabilità di errore. 

Settori di applicazione

Lo sviluppo e l’affinamento dell’utilizzo dei neuroni artificiali ha permesso di compiere grandi progressi, che permettono una gestione semplificata del sistema e della quotidianità. Le reti neurali oggi permettono addirittura di trovare delle soluzioni inaccessibili alla mente umana. I casi di applicazione principali in cui vengono impiegate sono relativi al riconoscimento di testo, immagini e voce. Ma l’utilizzo delle reti neurali è attivo in moltissimi settori scientifici, dalla biomedicina al data mining, dalla diagnostica medica al campo ingegneristico.


Author

Lara Mastrofini

Leave a comment

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *