AES_1 2022

CONTROLLO tecnica 94 Gennaio - Febbraio 2022 n Automazione e Strumentazione indipendente la somma pesata di vari ingressi e resti- tuisce un valore significativo solo se questa supera una certa soglia (il che si realizza impiegando una forma di tipo sigmoide); quando però colleghiamo molti neu- roni tra loro (in modo che l’output di ciascuno diventi uno degli input degli altri), possiamo usare le variabili di uscita dell’intera rete per rappresentare le grandezze più varie, dalle immagini digitalizzate al linguaggio parlato, oltre naturalmente a innumerevoli tipi di fun- zioni non lineari che si possono volere modellizzare. Ma come fa? Apprende modificando ciclicamente La rappresentazione matematica più comune di un neurone artificiale è relativamente semplice: una funzione ha come variabile indipendente la somma pesata di vari ingressi e, se è superata una certa soglia, restituisce un valore significativo In ambito industriale ci sono già da anni delle applicazioni classificabili come AI, per esempio la logica fuzzy nell’ambito del controllo multivariabile i pesi delle connessioni sulla base della bontà del risultato prodotto: in questo modo la rete detiene una conoscenza anche se noi non la vediamo esplicitata in un database o in un algoritmo. Nel campo dell’auto- mazione se ne trovano applicazioni nell’ambito della diagnostica, come il riconoscimento di immagini, quello di pattern o correlazioni tra varabili, utili per il controllo qualità o per individuare situazioni di pre- emergenza o per governare verso una maggiore effica- cia il comportamento del sistema di controllo di base (Machine learning, Deep Learning). Ispirate dalla natura sono anche le tecniche di otti- mizzazione non convessa basate su algoritmi gene- tici, dove le soluzioni ammissibili vengono fatte competere e riprodurre come succede nelle specie viventi, senza dimenticare di introdurre le muta- zioni casuali cruciali per sfuggire alle buche rap- presentate dagli ottimi locali. Una forma di intelli- genza collettiva è anche quella che mettono in atto le colonie di vari tipi di insetti come le formiche, le termiti e le api; e infatti anche da queste loro forme di sinergia ci siamo fatti ispirare per realizzare altri algoritmi di ottimizzazione globale. Nel campo dell’automazione industriale queste tecniche si tro- vano applicate negli algoritmi di ottimizzazione che stanno sopra ai sistemi di controllo, determinandone setpoint e/o strategie che perseguono la gestione più efficace ed efficiente del processo produttivo (per esempio, la riduzione dei consumi energetici in una raffineria). Intelligenza e complessità Descrizioni macroscopicamente efficaci possono essere trovate per fenomeni microscopicamente com- plessi, al limite caotici: si pensi alla termodinamica, alla dinamica dei fluidi o anche al funzionamento degli organismi viventi; viceversa effetti macrosco- picamente caotici possono scaturire da comporta- menti microscopicamente descrivibili da precise equazioni deterministiche: si pensi all’effetto farfalla nella meteorologia, alla variabilità delle disposizioni di palline colorate rovesciate a terra da un secchio o alla imprevedibilità del risultato della semplice equa- zione x n+1 =kx n (1-x n ) per k prossimo da sinistra a 4 (e partendo con 0<x<1, nel cui intervallo comunque rimarrà). La distinzione tra intelligente e complesso alla fine rischia di essere comunque un po’ artificiosa: noi umani siamo portati a ritenere realmente ‘intelli- gente’ tutto ciò che lo è almeno quanto noi, dimen- ticando che siamo noi stessi (inclusi i nostri pensieri ed emozioni) un meraviglioso complesso meccanismo