AS_07_2019

INTELLIGENZA ARTIFICIALE primo piano 24 Ottobre 2019 Automazione e Strumentazione a migliorare l’efficienza nella fase di apprendi- mento delle reti neurali, sono anche più efficaci nel supportare i motori inferenziali, utilizzati con gli altri paradigmi di machine learning . I sistemi AI sono tra noi Le applicazioni di AI stanno diventando sempre più frequenti e disponibili sul mercato delle appli- cazioni software, grazie all’evoluzione dei chip ad elevato parallelismo, che comprendono anche le più recenti CPU e GPU , oltre naturalmente all’introduzione di dispositivi specifici, come i sistemi TPU menzionati in precedenza. Oggi le tecnologie di AI sono così diffuse e impor- tanti, anche da un punto di vista economico, che si tengono delle fiere specializzate, come Artifi- cial Intelligence Expo of Applications - Aixa , di Milano. Questa manifestazione, che si terrà dal 4 al 7 novembre , si concentra sulle applicazioni delle tecnologie AI, come le soluzioni predittive e capaci di anticipare il comportamento degli utenti umani. Un esempio di tecnologie AI ampiamente accessi- bile a tutti sono i ‘Bot’: si tratta degli ‘automi’ che rispondono quando si chiama un call center e che hanno fatto notevolissimi progressi negli ultimi anni, facilmente verificabili attraverso le sbalor- ditive capacità di comprensione del linguaggio umano che dimostrano i migliori sistemi attuali. Naturalmente, anche gli ‘spider’ di Google, i pro- grammi che cercano e classificano le informa- zioni sul web , sono evolute applicazioni di tecno- logie AI. Sono ancora delle applicazioni AI quelle che generano i suggerimenti che i motori di ricerca propongono per rendere più veloce la digitazione. Come ulteriore esempio, le tecnologie AI sono un elemento cardine degli attuali filtri antispam delle mail, oppure sono il motore delle applicazioni che, tenendo conto delle preferenze dell’utente, offrono la possibilità di scegliere altri contenuti, come film o recensioni di ristoranti, che le AI prevedono pos- sano essere interessanti per gli utenti. Le tecnologie più comunemente utilizzate vanno dai sistemi esperti alle reti neurali artificiali, che hanno fatto registrare un sostanziale incremento dell’efficienza grazie al ‘deep learning’. Uno sguardo al motore Il grande balzo in avanti nel campo delle IA è sostanzialmente dovuto ai nuovi hardware, non solo quelli ottimizzati per l’algebra matriciale. Praticamente tutti i nuovi processori immessi sul mercato nascono con architetture massicciamente parallele , come le moderne CPU a core multipli o, ancora meglio, le GPU che sono dotate di un archi- tettura ottimizzata per processare funzioni di gra- fica, che richiedono l’elaborazione contemporanea di molti dati in operazioni simili e contemporanee. Tutti questi nuovi hardware sono predisposti per applicazioni di calcolo parallelo e sono intrinsecamente adatti a supportare i modelli di reti neurali artificiali elaborati fino ad ora, dove un’unità relativamente semplice, costituita da un nodo della rete, opera parallelamente a un grande numero di suoi simili, proprio come avviene con i neuroni naturali. Le prime formalizzazioni di rete neurale risalgono alla metà del secolo scorso e oggi sono disponibili un gran numero di modelli , in forma di librerie (per esempio utilizzabili con linguaggi ad alto livello come C, Java ecc.) e di algoritmi già pronti di varia complessità. Negli ultimi anni, le reti neurali si sono dimostrate essere uno dei migliori sistemi per elaborare ed estrarre informazione dalle immense quantità di dati prodotte dagli utenti in rete e dai sistemi industriali moderni . Attualmente, le reti neurali hanno bisogno di una fase di apprendimento prima di diventare opera- tive. Un tipo di classificazione delle reti neurali, si basa proprio sul tipo di training necessario al funzionamento della rete, che può essere super- visionato o non-supervisionato , in base al fatto che un operatore umano sia coinvolto o meno nella verifica dei risultati ottenuti. Nella fase di apprendimento i nodi si configu- rano, utilizzando le regole stabilite dal modello specifico di rete neurale, stabilendo i parametri di elaborazione (funzione di attivazione) e le con- nessioni con gli altri nodi in modo da svolgere in maniera efficiente un compito specifico, otte- nendo una funzione di uscita ottimizzata attra- verso un processo di tipo prova ed errore . Nella fase di apprendimento, le reti neurali utiliz- zano degli insiemi di dati predefiniti e predisposti in modo da poter verificare l’efficacia dell’auto- Le moderne CPU multi-core, che sono ampiamente disponibili sul mercato, si prestano bene all’implementazione di modelli di reti neurali, anche se un rapporto prestazioni/costo ancora migliore è ottenibile con dei dispositivi Asic