24 / 100
Ottobre 2017
Automazione e Strumentazione
CONTROLLO
primo piano
24
L’intelligenza artificiale (IA) sta già influenzando
le nostre vite, per esempio nei filtri antispam delle
mail, o quando un’applicazione offre la possibi-
lità di scegliere altri contenuti che prevede pos-
sano essere interessanti, o nei suggerimenti che
i motori di ricerca propongono per rendere più
veloce la digitazione.
Anche i più recenti investimenti di
nell’am-
bito delle tecnologie IA, che possono essere di tipo
statistico o basate su un sistema di regole, sono
stati un’ulteriore conferma di come questo mondo
stia velocemente uscendo dai laboratori per diven-
tare un’importante risorsa industriale. Natural-
mente, anche gli ‘spider’ di Google, i programmi
che cercano e classificano le informazioni sul web,
sono applicazioni di tecnologie di IA.
Nel mondo dell’automazione, un esempio può
essere quello di
Schneider Electric
, che già
diversi anni fa aveva acquisito un’azienda austra-
liana attiva nello sviluppo di sistemi basati su
reti neurali artificiali
per applicazioni in ambito
minerario. Oggi, le reti neurali si sono dimostrate
essere uno dei migliori sistemi in grado di elabo-
rare ed estrarre informazione dalle grandi moli di
dati prodotte dai sistemi industriali moderni.
Un grande balzo in avanti nel campo delle IA
è dovuto ai nuovi hardware, che nascono con
architetture predisposte ad applicazioni
massic-
ciamente parallele
, come le moderne CPU a
core multipli o, ancora meglio, le GPU che sono
dotate di un’architettura ottimizzata per proces-
sare funzioni di grafica, che richiedono l’elabo-
razione contemporanea di molti dati in operazioni
simili e contemporanee. Questi nuovi hardware
si sposano perfettamente con il concetto di rete
neurale artificiale, dove un’unità relativamente
semplice opera parallelamente a un gran numero
di sue simili, proprio come avviene con i neuroni
naturali, auto-configurando i parametri di elabo-
razione e le connessioni con le altre unità in modo
da svolgere in maniera efficiente un compito spe-
cifico. Nella fase di apprendimento, le reti neu-
rali utilizzano degli insiemi di dati predefiniti e
predisposti in modo da poter verificare l’effica-
cia dell’auto-configurazione, fino a quando non
dimostrano di aver raggiunto autonomamente,
per prova ed errore, uno stato che permetta di
interpretare i dati in maniera corretta.
I moderni hardware consentono di aumentare, in
modo molto efficace ed economico, il numero di
strati della rete neurale, aumentando il totale di unità
che prelevano i dati provenienti dallo strato prece-
dente, li elaborano e stabiliscono le connessioni con
il successivo. In pratica, si
aumenta la profondità
della rete neurale
e da questo proviene la defini-
zione anglosassone di ‘deep learning’, che è tradu-
cibile in italiano come ‘apprendimento profondo’.
Nelle applicazioni di deep learning si è visto che
l’efficienza della rete neurale nello svolgere un
determinato compito aumenta in maniera non line-
are con l’aggiunta dei diversi strati, fino a raggiun-
gere un valore del rapporto efficacia e complessità
che cresce molto più lentamente. Queste tecnologie
sono alla base del netto incremento in termini di
prestazioni che hanno avuto molti dei software più
recenti capaci di effettuare la comprensione del lin-
guaggio parlato, del testo scritto e delle immagini.
Un ulteriore passo avanti nella tecnologia dell’IA,
sarà quello di incorporare nelle reti neurali arti-
ficiali la capacità di apprendere dai propri errori
anche durante il loro normale funzionamento,
oltre che nella normale fase di apprendimento e
configurazione, rendendo attuale anche il con-
cetto di
sistema esperto
.
Jacopo Di Blasio
Le applicazioni di intelligenza artificiale, grazie anche all’evoluzione dell’hardware, stanno diventando
sempre più frequenti e disponibili per l’industria e la società. Le tecnologie più comunemente utilizzate
vanno dalle reti neurali artificiali e, passando per il deep learning, arrivano ai sistemi esperti.
L’INTELLIGENZA ARTIFICIALE DIVENTA RISORSA INDUSTRIALE
La macchina intelligente al lavoro
Schema di una rete neurale
artificiale: strato di ingresso (1),
strato nascosto (2), strato di uscita
(3). Il processo del ‘deep learning’
è possibile aumentando il numero
di strati nascosti
@Jacopo_DiBlasio