AS_07_2019

INTELLIGENZA ARTIFICIALE primo piano 25 Automazione e Strumentazione Ottobre 2019 configurazione, fino a quando non dimostrano di aver raggiunto autonomamente, uno stato che permetta di interpretare i dati in maniera corretta. Lo schema che esemplifica la classica rete neurale artificiale comprende uno strato di ingresso , com- posto dall’insieme di nodi che elabora un vettore contenente i dati e lo passa allo strato successivo, lo strato nascosto , che applica le regole e stabilisce le connessioni proprie del modello specifico, e lo strato di uscita, che produce il vettore dei risultati. I moderni hardware consentono di aumentare, in modo molto efficace ed economico, il numero di strati nascosti della rete neurale, aumentando il totale di unità che prelevano i dati provenienti dallo strato precedente, li elaborano e stabili- scono le connessioni con il successivo. In pratica, si aumenta la profondità della rete neurale e da questo proviene la definizione anglosassone di ‘deep learning’, che sarebbe traducibile in italiano come ‘apprendimento profondo’. Il pro- cesso è possibile aggiungendo moduli di risorse hardware ad elevato parallelismo, ormai facil- mente disponibili, fino a quando vengono regi- strati benefici computazionali rilevabili . Nelle applicazioni di deep learning si è visto che l’efficienza della rete neurale nello svolgere un determinato compito all’inizio aumenta in maniera non lineare, con l’aggiunta dei diversi strati, fino a raggiungere un valore del rapporto efficacia e complessità che cresce molto più len- tamente, avvicinandosi a una sorta di asintoto orizzontale. In altre parole, oggi è possibile calco- lare e raggiungere facilmente il miglior rapporto costo/efficacia di una rete neurale artificiale. Queste tecnologie sono alla base del netto incre- mento in termini di prestazioni che hanno avuto molti dei software capaci di effettuare la com- prensione del linguaggio parlato, del testo scritto e di elaborare immagini. Reti neurali esperte Un ulteriore passo avanti nella tecnologia dell’AI, sarà quello di incorporare nelle reti neurali arti- ficiali la capacità di apprendere dai propri errori anche durante il funzionamento, non solamente nella fase di apprendimento, rendendo attuale anche il concetto di sistema esperto . I sistemi esperti sono considerati tra i primi esempi di software veramente efficace di AI. In genere, per sistema esperto si intende un’applicazione informa- tica in grado di emulare la capacità decisionale di un essere umano che abbia sviluppato competenze particolari, in un settore molto specifico. Anche in questo caso, i primi sistemi esperti si sono sviluppati già nel ventesimo secolo, con applicazioni pratiche che possono risalire addirit- tura agli anni 70, e hanno avuto un’ampia diffu- sione già negli anni 80. Contrariamente alle reti neurali, che necessitano di una fase di auto-calibrazione poco trasparente per la logica umana, i sistemi esperti sono progettati per risolvere problemi complessi elaborando delle strutture di informazione ben precise, degli insiemi di competenze codificati in forma di dati e algo- ritmi specifici inscritti nel sistema. Questo tipo di intelligenza artificiale è esprimibile, proprio da un punto di vista operativo, come delle sequenze di istruzioni logiche in codice scritto con linguaggi di alto livello (le classiche istruzioni ‘if-than’), rap- presentabile come dei convenzionali diagrammi di flusso o, in modo più astratto, degli ‘alberi’ logici. Nella pratica, un sistema esperto è diviso in due sottosistemi : un motore inferenziale e una base di dati. La base di dati comprende regole e infor- mazioni , già codificate nel sistema. Il motore d’inferenza applica le regole alle informazioni, che in genere sono definite come ‘fatti’, dedu- cendo dei fatti conseguenti. Ormai, sono sempre più numerose le applica- zioni che incorporano le caratteristiche tipiche dei sistemi esperti nelle reti neurali e nuovi ulteriori scenari stanno emergendo. Uno di questi è l’ apprendimento competitivo , che costituisce una fase di training non-super- visionato dove un insieme di nodi, utilizzando anche parametri casuali, si configura in com- petizione con un altro gruppo. Addirittura, si è giunti a realizzare delle reti neurali complete che si migliorano automaticamente confron- tando i loro risultati con quelli ottenuti da altre reti, evolvendo progressivamente in una sorta di agonismo artificiale. Il deep learning si basa sull’incremento del numero di strati di tipo ‘hidden’ presenti nelle applicazioni di modelli di rete neurale