Reti neurali: cosa sono, come funzionano

Termini come deep learning e reti neurali circolano da tempo, ma poche persone al di fuori di grandi aziende e università possono davvero spiegare semplicemente cosa sono, come funzionano o perché vengono utilizzati.

Non c' è da meravigliarsi, il deep learning entra in alcuni calcoli piuttosto profondi. Richiede un'enorme quantità di dati e una ripetizione apparentemente infinita.

Se si utilizza Siri o Alexa si sperimentano invece i benefici delle reti neurali. Le raccomandazioni cinematografiche Netflix e Amazon sono il risultato di reti neurali.

Quando la società della carta di credito ti avverte di attività insolite sulla tua carta o Facebook riconosce il tuo volto in un'immagine, dietro c' è una rete neurale.

Reti neurali profonde

Ottimizzazione dei motori di ricerca e digital marketing, in particolare sono due campi che attualmente risentono degli effetti delle reti neurali. Gli algoritmi di ricerca di Google sono perfezionati ogni sei mesi per migliorare la qualità dei contenuti di lunga durata punendo lo spam, la ripetizione e i siti Web di bassa qualità.

Le reti neurali sono una forma di apprendimento profondo, un tipo di apprendimento meccanico che è un sottocampo dell'intelligenza artificiale.

Alcune reti neurali utilizzano l'apprendimento supervisionato, il che significa che tutto il machine learning è guidato da dati etichettati che alimentano la macchina, altri usano l'apprendimento non supervisionato che usa dati non etichettati divisi in gruppi o categorie e altri ancora l'apprendimento di rinforzo che usa ricompense o punizioni per guidare l'apprendimento.

Al momento, le reti neurali profonde sono la strada più promettente per la ricerca della vera Intelligenza artificiale.reti neurali

Due tipi di memoria

I nostri cervelli sono pieni di neuroni, centinaia di miliardi incrociati in un intreccio intricato di attività. Alla base, un neurone è una cellula che trasferisce informazioni. Riceve un impulso elettrico (ingresso) e se quell'impulso supera un certo valore, si spegne il segnale elettrico o chimico (uscita) per comunicare con altri neuroni che alla fine fanno qualcosa come spostare i muscoli nel braccio o innescare una memoria dalla vostra infanzia.

La nostra conoscenza del cervello è ancora piuttosto limitata, ma sappiamo per certo che l'apprendimento e la memoria sono interconnessi. Alcuni neuroscienziati credono che i ricordi risiedano nelle connessioni tra le reti di neuroni, mentre altri pensano che i ricordi esistano all'interno delle cellule cerebrali reali. I ricordi, a breve e lungo termine, ci informano su come impariamo e ci aiutano anche a esprimere le conoscenze che abbiamo acquisito.

Esistono due tipi di memoria, dichiarativa e non dichiarativa. La memoria dichiarativa o esplicita si basa sui fatti, mentre la non dichiarativa è implicita e procedurale. I ricercatori credono che più vicino si può arrivare a comprendere il processo che sta dietro l'apprendimento e la memoria, più hanno maggiori possibilità di creare una vera intelligenza artificiale. Per sviluppare una chiara comprensione di come le reti neurali operano abbiamo bisogno di capire l'anatomia di un neurone umano.

Le componenti dei neuroni

Un neurone è composto da tre componenti principali: un corpo cellulare, un assone e dendrite. I dendriti ricevono i segnali dagli altri neuroni, che vengono inviati al corpo cellulare che trasmette il segnale all'assone che inoltra il segnale alla sinapsi o alla connessione/spazio tra le cellule. Un picco di attività elettrica nell'assone causa una carica da iniettare nel neurone post-sinaptico. Le sinapsi ricevono una carica elettrica che provoca il rilascio di un prodotto chimico (trasmettitore Neuro). Le sinapsi si adattano utilizzando i segnali disponibili localmente. Ogni neurone riceve input da altri neuroni. I neuroni corticali utilizzano picchi in elettricità per comunicare.

Come funziona una rete neurale

I neuroni artificiali sono modelli matematici di neuroni umani. Gli impulsi elettrici e chimici sono rappresentati da numeri. Le reti neurali sono composte da migliaia e talvolta milioni di neuroni artificiali. Una rete semplice come quella illustrata di seguito è costituita da feed forward, il che significa che l'informazione scorre in una direzione.

Si tratta di una rete neurale molto semplice con soli tre strati. Un livello di input, un livello nascosto e un livello di output. Le reti possono avere un'enorme quantità di input e livelli nascosti. Ciò che rende una rete neurale profonda è più di uno strato nascosto.

Ci sono tre nodi nel livello input. Ogni nodo riceve un valore di ingresso moltiplicato per un peso. Qual è il peso? Un peso può anche essere chiamato polarizzazione. La prima volta che una rete viene alimentata da dati o durante la fase di allenamento, il peso o la polarizzazione viene assegnato in modo casuale. 1 se è corretto e 0 per tutto il resto (in realtà i numeri utilizzati sono più vicini a 0,9 e 0,1) I pesi sono regolati in base alla precisione dell' uscita. L'ingresso viene moltiplicato per il peso e se supera un certo valore il neurone si attiva, questo viene chiamato funzione step o funzione di attivazione. La maggior parte delle reti neurali utilizzano una funzione detta sigmoidale, più adatta alla backpropagation e che essenzialmente significa solo che la curva a forma di s può assumere qualsiasi valore reale e ruotarla in un numero compreso tra 1 e 0.

Backpropagation. Un algoritmo di backpropagation è un modo per determinare se i vostri pesi sono accurati basati sulle uscite che ottenete. Si lavora all'indietro con una tonnellata di matematica complicata per determinare i nuovi pesi per il livello nascosto. Ripeti questo processo più volte fino a ottenere il risultato desiderato. E' qui che entra in gioco la ripetizione infinita. Al fine di aumentare l'accuratezza della rete neurale per qualsiasi cosa si sta cercando di farlo, è necessario continuare a nutrire i dati. Per determinare se la rete sta imparando, è necessario stabilire una funzione di costo e regolare i pesi di conseguenza. Una funzione di costo è solo un modo per controllare il funzionamento delle reti per determinare quanto sia accurato.

Tipi di Reti Neurali. Sarebbe estremamente difficile fornire un elenco definitivo di tutti i diversi tipi di reti neurali; si inventano continuamente nuove varianti. Per semplicità, elencherò le tre categorie più comuni o generalizzate di reti neurali, convoluzionali, feed forward e ricorrenti.

Convolutional neural network. Utilizzato per l'elaborazione di immagini, il riconoscimento e l'analisi delle immagini. I Cnn sono basati sulla corteccia visiva del cervello. Riducono il numero di parametri necessari in una rete tipica e migliorano la generalizzazione. Il termine convolutional deriva da un'operazione di analisi matematica in cui due funzioni generano una terza funzione.

Feed forward neural network. Una rete feed forward è il tipo più semplice di rete neurale. Come quello descritto sopra, sono basati sul percettore e tutte le informazioni scorrono in una direzione dal livello di input al livello nascosto fino a quello di output.

Recurrent neural network. Le reti neurali ricorrenti sono estremamente versatili e sono utilizzate per tutto, dalla scrittura a mano, il riconoscimento vocale per le auto e la classificazione dei documenti. Grazie ai circuiti di feedback integrati, che consentono loro di adattarsi ai cambiamenti dei set di dati, sono ideali anche per prevedere i mercati e le condizioni meteorologiche. Le Rnn hanno una struttura diversa rispetto alle reti feed forward e hanno un solo strato. Sono migliori per i dati sequenziali. Google utilizza un Rnn per il  software di riconoscimento vocale.

 

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche iscriviti alla newsletter gratuita.
CONDIVIDI

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here