I computer sono in grado di eseguire elaborazioni o procedure automatiche
in modo molto efficiente
Es:
calcoli matematici
memorizzazione o
recupero informazioni
Risultano estremamente difficili o impossibili applicazioni in cui è
necessario:
ragionamento simbolico
modellazione ed estrazione della conoscenza
percezione
autoapprendimento
Per un computer è difficile riconoscere gli oggetti presenti in un’immagine perchè
a partire dai contorni dovuti alle variazioni di luminosità, non riesce a raggrupparli
per definire gli oggetti
Questo processo, detto di segmentazione, è molto difficile da realizzare per un
sistema puramente automatico perchè necessita della conoscenza a priori riguardo
agli oggetti.
Ecco perché non esistono sistemi di guida automatica
Riconoscimento vocale
riconoscimento
addestramento
Le reti neurali artificiali: un modo di implementare l’intelligenza artificiale
L'obiettivo dell'intelligenza artificiale è quello di
emulare processi che, quando fatti da umani,
richiedono cognizione.
Questo viene inseguito, e in parte ottenuto, attraverso algoritmi la cui classe
principale è costituita dalle reti neurali artificiali.
Le reti neurali artificiali imitano la struttura e la topologia del cervello umano
per imitarne il funzionamento.
A un sistema intelligente si chiede di:
• memorizzare ed elaborare la conoscenza (es: raccogliere la conoscenza dei medici
luminari)
• applicare la conoscenza per risolvere problemi (es: produrre diagnosi più accurate)
• aumentare la propria conoscenza tramite l'esperienza (es: imparare dagli errori e
dai successi: retroazione di ulteriori diagnosi)
Una rete neurale è strutturalmente un insieme di elementi, detti neuroni
artificiali, interconnessi tra loro
Il neurone artificiale
n
sinapsi
assoni
x1
x2
w1
x3
w3
xn
wn
i 1
dendriti

w2
b
weights
inputs
u
bias
u
1
P
UNITÀ LINEARE
y  f (  wi xi b)
corpo
Soglia
UNITÀ A SOGLIA
P
assone
f
non linear
function
Struttura di una rete neurale
nodi
uscite
Similitudine
tra una rete
neurale
biologica e
una artificiale
strato di
neuroni
di
ingresso
strato di
neuroni
nascosto o
intermedio
strato di
neuroni
di uscita
Nei computer, il software inteso come insieme di istruzioni, è eseguito dall’hardware
Nell’uomo, la mente è il software che gira su un hardware biologico: il cervello
In linea di principio la mente può essere riprodotta su qualsiasi macchina non
biologica
Le reti neurali artificiali sono un insieme di istruzioni eseguite da un sistema che
• storicamente è
il processore di
un computer
• nel futuro saranno
i processori ottici
• e sistemi ibridi
neuroni biologici – circuiti elettronici
Reti neurali
artificiali
Dipendente dalla realizzazione
(elettronica, ottica o biologica)
Elaboratore
elettronico
1 milione eventi / ms
Centinaia o migliaia di
neuroni ognuno dei quali
comunica con decine o
centinaia di altri neuroni
Elaborazione
generalmente seriale
Cervello
umano
1 evento / ms per neurone
100 miliardi di neuroni
ognuno dei quali comunica
con altri diecimila neuroni
Rapido nell’eseguire operazioni
logico matematiche,
inefficiente nei problemi della
vita quotidiana (es: pattern
recognition, decisioni)
Rapido nelle logica
sfumata, processi
decisionali,
riconoscimento forme
elaborazione seriale
elaborazione parallela
programmato per svolgere
un compito preciso
più elementi di elaborazione
un solo elemento di elaborazione
più elementi di elaborazione
i pesi delle connessioni sono
utilizzati per memorizzare
impara dagli sbagli
impara dagli sbagli
Apprendimento
Implementare una rete neurale significa stabilire
la sua struttura: numero degli strati, numero dei
neuroni per ciascun strato, topologia delle connessioni,
condizioni iniziali, tipo di funzioni matematiche
implementate dai neuroni di ciascun strato, metodo
di apprendimento e verifica
La rete appena implementata non sa fare nulla
Prima di essere operativa deve apprendere, questo avviene mediante la
somministrazione di esempi di correlazioni ingresso-uscita
L’apprendimento consiste nella modifica dei pesi associati ad ogni
connessione e nella modifica del bias di ciascun neurone, quest’ultimo stabilisce il
punto di lavoro del neurone nella propria funzione non lineare
La verifica dell’apprendimento avviene mediante la somministrazione di
ingressi (stimoli) che la rete non aveva mai visto in fase di apprendimento e di
cui noi ci aspettiamo uscite (risposte o reazioni) precise.
Problemi di apprendimento
Può accadere che dopo l’apprendimento
le prestazioni non siano soddisfacenti,
perché?
Troppi pochi esempi in fase di addestramento
Esempi polarizzati (distribuzione non uniforme dei casi)
Esempi contraddittori
Topologia e complessità della rete non adeguati al problema
Ripetere l’apprendimento con diverse condizioni iniziali
Non sono state raggiunte le prestazioni migliori a causa della funzione di
addestramento non adeguata
Altre caratteristiche
Risoluzione di problemi complessi e non lineari
Problemi per cui non si conoscono le relazioni ingresso-uscita ma si
hanno a disposizione solo dei casi
Capacità di memorizzare
Risposta continua
ad esclusione di un numero finito di discontinuità ad input simili la
rete risponde con output simili
Tolleranza agli errori
scostamenti non significativi dei valori di input vengono
assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o
al decadimento del segnale
Tolleranza ai guasti
La presenza di molte unità di processamento parallele fa si che
l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze
non irreparabili
Svantaggi dell’utilizzo delle reti neurali:
Ai fini dell’apprendimento dobbiamo fornire alla rete neurale tanti più
esempi quanto più fortemente non lineare è il sistema da modellare.
Non sappiamo a priori quale sia la miglior topologia (numero di nodi, di
strati, collegamenti fra nodi e tipo di funzioni che devono implementare i
nodi di ciascun strato) da assegnare alla rete neurale affinché modellizzi al
meglio il nostro sistema.
Una volta che la rete funziona, non sappiamo nulla del suo modello interno,
in altre parole non fornisce spiegazioni sul funzionamento del sistema che
stiamo studiando. La rete è per noi una scatola nera. I problemi non
vengono capiti ma risolti.
ingresso
?
uscita
Applicazioni
Compressione dei dati (non secondo una codifica o una corrispondenza esatta)
Eliminazione del rumore dai dati o dai segnali
Riconoscimento segnali sonar
Macchina da scrivere fonetica (dettatura dei testi al computer)
Riconoscimento di caratteri (attribuire un significato ad una forma)
Sistemi di guida automatica (sistemi missilistici, robot microspia)
Classificazione di immagini (gli stessi oggetti cambiano colore, luminosità, tessitura a causa
delle ombre, dell’illuminazione, della verniciatura…)
Analisi finanziarie (previsioni)
Medicina (migliorare le diagnosi)
Il presente: Anche se poco se ne parla, la ricerca in questo campo è particolarmente attiva
IEEE Transaction on Robotics
IEEE Transaction on Fuzzy Systems
IEEE Transaction on Neural Networks
IEEE Transaction on Image processing
IEEE Transaction on NanoBioscience
IEEE Transaction on NanoTechnology
IEEE Transaction on Robotics and Automation
IEEE Transaction on Evolutionary Computation
IEEE Transaction on Systems, Man and Cybernetics
IEEE Transaction on Parallel and Distribuited Systems
IEEE Transaction on Pattern Analysis and Machine Intelligence
IEEE Transaction on Neural Systems and Rehabilitation Engineering
Il futuro ?
Speriamo che acquistino
autocoscienza il più tardi possibile.