AO_411

GENNAIO-FEBBRAIO 2019 AUTOMAZIONE OGGI 411 127 mento del cervello umano e crea un sistema di calcolo intercon- nettendo unità che elaborano informazioni in risposta a stimoli esterni e condividendo le informazioni con le varie unità, un po’ come fanno i neuroni. In una rete neurale, composta da ‘unità’, chiamate appunto neu- roni e organizzati in strati successivi, ogni neurone è tipicamen- te collegato a tutti i neuroni dello strato successivo attraverso connessioni pesate, dove una connessione non è altro che un valore numerico (il ‘peso’), che viene moltiplicato per il valore del neurone collegato. Ogni neurone somma i valori pesati di tutti i neuroni a esso collegati e aggiunge un valore di Bias. A questo risultato viene applicata una ‘funzione di attivazione’ che non fa che trasformare matematicamente il valore prima di passarlo allo strato successivo. Il machine learning si appalesa nel pieno con i sistemi di visione artificiale. L’algoritmo o la libreria di algoritmi utilizzati ricono- sceranno oggetti distinguendoli da altri e al contempo impa- rando dalle situazioni. Avranno cioè ricordi delle prestazioni per impiegarle con maggiore efficienza nei successivi utilizzi di visione. Il deep learning rientra ovviamente nell’apprendimento automa- tico e ne segue le logiche. La tecnica apprende modelli complessi attraverso l’elaborazione di una quantità enorme di dati, sfruttan- do le capacità di calcolo e le tecniche di allenamento, applican- dole per esempio oggi comunemente nelle tecnologie di visione e in quelle di riconoscimento vocale. Il machine learning e il deep learning contribuiscono al progre- dire dell’intelligenza artificiale. Entrambe le modalità si basano sul trattamento di impressionanti quantità di dati generati da un numero incalcolabile di sensori che tutti insieme compongono l’ecosistema dell’IoT. Internet of Things è dunque quell’ambiente che raccoglie, scam- bia ed elabora i dati necessari non soltanto al dialogo e alla connessione, ma anche all’apprendimento e al conseguente miglioramento dell’ecosistema stesso e delle soluzioni, impian- ti e macchinari che vi convivono. Con il miglioramento costante dell’ecosistema di connessione delle cose, l’intelligenza artificiale migliorerà sempre di più e consentirà più frequenti e arricchiti utilizzi degli stessi modelli che la migliorano. Come una matrioska… Di fatto siamo di fronte a una‘vite senza fine’. Le applicazioni sono illimitate e lo saranno sempre più. Ritorniamo di fatto all’inizio: come migliorare? Attraverso lo studio e l’apprendimento per per- seguire il miglioramento continuo. Le innovazioni in campo elettronico e digitale sono costanti e portano a capacità di calcolo sempre più grandi e sempre più ve- loci in chip sempre più piccoli e sempre più accessibili. La connet- tività moltiplica la capacità di scambio di dati in quantità e riduce esponenzialmente la latenza con la quale questi dati vengono messi a disposizione. Il cloud consente la conservazione virtual- mente illimitata dei dati e degli stimoli. Immaginiamo una sorta di matrioska. La più grande è la bambo- la dell’intelligenza artificiale, la cui definizione potrebbe essere “ qualsiasi tecnica che consenta ai computer di imitare l’intelligenza umana, utilizzando la logica, delle regole consequenziali, gli alberi decisionali, l’apprendimento automatico delle macchine (incluso l’apprendimento approfondito) ”. Questa bambola ne contiene un’altra, quella del machine learning, la cui definizione potrebbe suonare come “un sottoin- sieme di intelligenza artificiale che comprende tecniche statistiche astruse che consentono alle macchine di migliorare a livello di espe- rienza. Questa categoria include l’apprendimento approfondito”. La terza bambola contenuta nella seconda è quella del deep learning la cui definizione potrebbe essere“ il sottoinsieme dell’ap- prendimento automatico composto da algoritmi che consentono al software di formarsi per eseguire compiti, come il riconoscimento vocale e dell’immagine, esponendo reti neurali multistrato a grandi quantità di dati”. I campi di applicazione sono pressoché inesauribili. L’industria, il manufacturing, il gaming, la medicina, l’automotive, l’inse- gnamento; in ogni attività è possibile inserire automazioni che migliorano, auto-apprendono e auto-apprendendo migliorano ancora. Ma ovviamente non è tutto magnifico e in discesa. Ci sono ancora, e probabilmente ci saranno ancora per molto tempo, problematiche da risolvere. Uno dei problemi da risolvere riguarda l’affidabilità. L’intelligen- za oggi non è, ancora, così intelligente. Come dire che il test di Turing non è ancora riuscito. D’altronde il 2050, anno in cui Turing ha previsto che le macchine potranno superare il suo test, è ancora lontanuccio. Per fare un esempio un sistema di visione artificiale può‘imparare’ a riconoscere i gatti da molte immagini di gatti. L’apprendimento trasferito può essere utilizzato per insegnare a riconoscere i cani con un numero di immagini probabilmente minore. Tuttavia, l’algoritmo sottostante non ragiona su ciò che sta ve- dendo, si limita a scomporre l’immagine in colori, forme e modelli distinti e associa gli spunti visivi specifici a un’etichetta testuale. Non è in grado di espandere autonomamente la sua libreria o il suo vocabolario partendo da ciò che vede; non può (ancora) as- sociare a ciò che vede il concetto di pelliccia o zampe se associa la sua visione a quattro forme distribuite in modo più o meno ret- Fonte: www.pixabay.com