🏠 TILLL / ✍️ TateoBlog <==
#BioInspired #AI #ArtificialNeuralNetwork #ANN #DeepLearning #MachineLearning #ArtificialIntelligence #ComputerVision #SpeechRecognition #BigData #GPU #AutonomousDriving
Tra gli esempi più significativi di Intelligenza Artificiale bio-ispirata troviamo il Deep Learning. Le Reti Neurali Artificiali (Artificial Neural Networks, ANN), infatti, nascono dall'idea di riprodurre, mediante modelli matematici, alcuni principi fondamentali del funzionamento delle reti di neuroni biologici. Pur essendo enormemente più semplici del cervello umano, esse rappresentano uno degli esempi più riusciti di come l'osservazione della natura possa guidare lo sviluppo di nuove tecnologie intelligenti.
L'idea fondamentale consiste nel riprodurre, attraverso modelli matematici, alcuni principi dell'apprendimento biologico. Le Reti Neurali Artificiali sono costituite da unità elementari, chiamate neuroni artificiali, interconnesse tra loro e organizzate in più livelli (layer). Durante la fase di addestramento, le connessioni tra i neuroni vengono progressivamente modificate affinché la rete impari a riconoscere schemi (pattern), relazioni e regolarità presenti nei dati, in modo concettualmente analogo a quanto avviene, seppur con una complessità immensamente maggiore, nel sistema nervoso degli esseri viventi.
Quando il numero di livelli della rete aumenta sensibilmente, si parla di Deep Learning, letteralmente "apprendimento profondo". Il termine deep ("profondo") fa infatti riferimento alla profondità della rete neurale, cioè alla presenza di numerosi livelli nascosti che elaborano progressivamente le informazioni. Ogni livello estrae caratteristiche sempre più astratte dai dati ricevuti: nei sistemi di visione artificiale, ad esempio, i primi livelli imparano a riconoscere bordi e forme semplici, quelli successivi individuano oggetti sempre più complessi, fino ad arrivare al riconoscimento completo di un volto, di un veicolo o di un animale.
Questa capacità di costruire automaticamente (senza l'intervento umano) rappresentazioni sempre più sofisticate dei dati costituisce il principale punto di forza del Deep Learning. A differenza delle tradizionali tecniche di Machine Learning e delle prime reti neurali, nelle quali era l'esperto a dover individuare e programmare manualmente le caratteristiche (feature) più significative da analizzare, nel Deep Learning è la rete stessa che apprende autonomamente le feature durante l'addestramento. Questo riduce drasticamente il lavoro di progettazione, rende i modelli molto più flessibili e permette di affrontare problemi che, con gli approcci tradizionali, sarebbero estremamente complessi o addirittura impraticabili.
Per questo motivo il Deep Learning viene oggi impiegato con successo nella Computer Vision, nel riconoscimento vocale, nella comprensione del linguaggio naturale, nella bioinformatica, nella diagnostica medica, nella Guida Autonoma (Autonomous Driving) e in numerosi altri ambiti. Grazie a queste tecniche è possibile realizzare sistemi capaci di apprendere direttamente da enormi quantità di immagini, video, testi, segnali audio e dati provenienti da sensori, senza dover progettare manualmente le regole o le caratteristiche necessarie per interpretare tali informazioni.
Le basi teoriche delle reti neurali artificiali risalgono addirittura agli anni Quaranta del secolo scorso. È quindi naturale chiedersi perché il Deep Learning sia diventato protagonista soltanto negli ultimi anni. La risposta è semplice: per esprimere tutto il suo potenziale, questa tecnologia richiede enormi quantità di dati e una capacità di calcolo che, fino a pochi anni fa, non era disponibile.
La svolta è arrivata grazie alla convergenza di due fenomeni. Da un lato, l'enorme disponibilità di dati digitali generati quotidianamente da Internet, smartphone, social network, sensori e dispositivi connessi, il cosiddetto fenomeno dei Big Data. Dall'altro, l'impiego delle Graphics Processing Unit (GPU), processori progettati per elaborare migliaia di operazioni in parallelo e quindi particolarmente adatti all'addestramento delle reti neurali profonde. La combinazione di questi due fattori ha permesso di addestrare modelli sempre più grandi e accurati, aprendo la strada alla straordinaria evoluzione dell'Intelligenza Artificiale che stiamo vivendo oggi.
Il successo del Deep Learning dimostra come l'osservazione della natura possa tradursi in soluzioni tecnologiche di enorme impatto. Pur non replicando il cervello umano, le reti neurali artificiali ne riprendono alcuni principi essenziali, confermando uno dei concetti chiave della Vita Artificiale: studiare i meccanismi dei sistemi viventi può ispirare la progettazione di macchine sempre più capaci di apprendere, adattarsi e risolvere problemi complessi.
Riferimenti.
5. Tateo Interdisciplinary Lifelong Learning, Le applicazioni dell'intelligenza artificiale / §11.
