Cos’è una rete neurale artificiale? Ecco tutto quello che devi sapere

Se hai passato del tempo a leggere informazioni su intelligenza artificiale, quasi sicuramente avrai sentito parlare di reti neurali artificiali. Ma cos’è esattamente uno? Piuttosto che iscriversi a un corso completo di informatica o approfondire alcune delle risorse più approfondite disponibili disponibile online, consulta la nostra pratica guida per non addetti ai lavori per ottenere un'introduzione rapida e semplice a questa straordinaria forma di macchina apprendimento.

Cos’è una rete neurale artificiale?

Le reti neurali artificiali sono uno dei principali strumenti utilizzati nell’apprendimento automatico. Come suggerisce la parte “neurale” del loro nome, sono sistemi ispirati al cervello destinati a replicare il modo in cui noi umani apprendiamo. Le reti neurali sono costituite da strati di input e output, nonché (nella maggior parte dei casi) da uno strato nascosto costituito da unità che trasformano l'input in qualcosa che lo strato di output può utilizzare. Sono strumenti eccellenti per trovare modelli che sono troppo complessi o numerosi perché un programmatore umano possa estrarli e insegnare alla macchina a riconoscerli.

Mentre le reti neurali (chiamate anche “percettroni”) esistono dagli anni quaranta, è solo negli ultimi decenni che sono diventati una parte importante dell’intelligenza artificiale. Ciò è dovuto all’arrivo di una tecnica chiamata “backpropagation”, che consente alle reti di adattare i loro strati nascosti di neuroni in situazioni dove il risultato non corrisponde a ciò che spera il creatore, come una rete progettata per riconoscere i cani, che identifica erroneamente un gatto, per esempio.

Un altro importante progresso è stato l’arrivo delle reti neurali di deep learning, in cui diversi gli strati di una rete multistrato estraggono diverse caratteristiche finché non riescono a riconoscere ciò che stanno cercando per.

Sembra piuttosto complesso. Puoi spiegartelo come se avessi cinque anni?

Per avere un'idea di base di come apprende una rete neurale di deep learning, immagina una linea di fabbrica. Dopo che le materie prime (il set di dati) sono state immesse, vengono quindi passate lungo il nastro trasportatore, con ogni fermata o strato successivo che estrae un insieme diverso di caratteristiche di alto livello. Se la rete intende riconoscere un oggetto, il primo livello potrebbe analizzare la luminosità dei suoi pixel.

Il livello successivo potrebbe quindi identificare eventuali bordi dell'immagine, in base a linee di pixel simili. Successivamente, un altro livello potrebbe riconoscere trame e forme e così via. Quando verrà raggiunto il quarto o il quinto livello, la rete di deep learning avrà creato rilevatori di caratteristiche complesse. Può capire che alcuni elementi dell'immagine (come un paio di occhi, un naso e una bocca) si trovano comunemente insieme.

Una volta fatto ciò, i ricercatori che hanno addestrato la rete possono assegnare etichette all'output e quindi utilizzare la backpropagation per correggere eventuali errori commessi. Dopo un po’, la rete può svolgere i propri compiti di classificazione senza bisogno che l’uomo la aiuti ogni volta.

Oltre a questo, ci sono diversi tipi di apprendimento, come ad esempio supervisionato O apprendimento non supervisionato O insegnamento rafforzativo, in cui la rete impara da sola cercando di massimizzare il proprio punteggio, come realizzato in modo memorabile da Il bot di gioco Atari di Google DeepMind.

Quanti tipi di reti neurali esistono?

Esistono diversi tipi di reti neurali, ognuna delle quali presenta casi d'uso specifici e livelli di complessità. Il tipo più elementare di rete neurale è qualcosa chiamato a rete neurale feedforward, in cui le informazioni viaggiano in una sola direzione dall'input all'output.

Un tipo di rete più utilizzato è il rete neurale ricorrente, in cui i dati possono fluire in più direzioni. Queste reti neurali possiedono maggiori capacità di apprendimento e sono ampiamente utilizzate per compiti più complessi come l’apprendimento della scrittura a mano o il riconoscimento del linguaggio.

Ci sono anche reti neurali convoluzionali, Reti di macchine Boltzmann, Reti di Hopfielde una varietà di altri. La scelta della rete giusta per la tua attività dipende dai dati con cui devi addestrarla e dall'applicazione specifica che hai in mente. In alcuni casi, potrebbe essere auspicabile utilizzare più approcci, come nel caso di un compito impegnativo come il riconoscimento vocale.

Che tipo di compiti può svolgere una rete neurale?

Una rapida scansione dei nostri archivi suggerisce che la domanda corretta qui dovrebbe essere “quali attività”. non posso una rete neurale?" Da far sì che le auto guidino autonomamente sulle strade, A generando volti CGI incredibilmente realistici, alla traduzione automatica, al rilevamento delle frodi, a leggendo le nostre menti, a riconoscere quando a il gatto è in giardino e sta accendendo gli irrigatori; le reti neurali sono alla base di molti dei più grandi progressi nell’intelligenza artificiale.

In generale, tuttavia, sono progettati per individuare modelli nei dati. Attività specifiche potrebbero includere la classificazione (classificazione di set di dati in classi predefinite), clustering (classificazione dei dati in diverse categorie non definite) e la previsione (utilizzando eventi passati per indovinare quelli futuri, come il mercato azionario o il cinema ufficio).

Come "imparano" esattamente le cose?

Allo stesso modo in cui impariamo dall’esperienza nella nostra vita, le reti neurali necessitano di dati per apprendere. Nella maggior parte dei casi, più dati possono essere inviati a una rete neurale, più accurata diventerà. Consideralo come qualsiasi compito che svolgi più e più volte. Col passare del tempo, diventerai gradualmente più efficiente e commetterai meno errori.

Quando i ricercatori o gli informatici iniziano ad addestrare una rete neurale, in genere dividono i loro dati in tre serie. Il primo è un set di addestramento, che aiuta la rete a stabilire i vari pesi tra i suoi nodi. Successivamente, lo perfezionano utilizzando un set di dati di convalida. Infine, utilizzeranno un set di test per vedere se riesce a trasformare con successo l'input nell'output desiderato.

Le reti neurali hanno dei limiti?

A livello tecnico, una delle sfide più grandi è la quantità di tempo necessaria per addestrare le reti, che può richiedere una notevole quantità di potenza di calcolo per compiti più complessi. Il problema più grande, tuttavia, è che le reti neurali sono “scatole nere”, in cui l’utente inserisce dati e riceve risposte. Possono mettere a punto le risposte, ma non hanno accesso all’esatto processo decisionale.

Questo è un problema che interessano molti ricercatori lavorando attivamente, ma diventerà sempre più urgente man mano che le reti neurali artificiali giocheranno un ruolo sempre più importante nelle nostre vite.

Raccomandazioni degli editori

• Laptop con ricarica USB-C: ecco cosa devi sapere
• Cos'è la GDDR7? Tutto quello che devi sapere sulla VRAM di nuova generazione
• Sostituzione batteria MacBook Pro: tutto quello che devi sapere
• Cos'è il Wi-Fi 7: tutto quello che devi sapere su 802.11be
• YouTube sta lanciando gli handle. Ecco cosa devi sapere