AS_08_2019

Automazione e Strumentazione Novembre/Dicembre 2019 INDAGINE approfondimenti 41 lizzati dalla capacità delle reti neurali di alimen- tare in modo autonomo la loro knowledge base. Storia delle reti neurali Le origini delle moderne reti neurali artifi- ciali risalgono al 1943, quando con l’articolo “Logical Calculus of Ideas Immanent in Ner- vous Activity” gli scienziati Warren Sturgis McCulloch e Walter Pitts posero le basi per il primo modello matematico di una rete neurale, ancora oggi riferimento per l’intero settore. Nel 1948 John Von Neumann portò alla disciplina un contributo fondamentale con il suo studio sulle reti di automi come macchine in grado di imitare funzioni tipiche degli esseri viventi. Nel 1949 il neurofisiologo Donald Hebb dedusse la prima regola di apprendimento applicata nelle reti neurali. Nel 1958 Frank Rosenblatt presentò il primo modello hardware basato su rete neurale, il “ percettrone ” (MLP, MultiLa- yer Perceptron). Si trattava di un combinato di dispositivi logici in grado di risolvere semplici problemi di riconoscimento di forme. Dopo un periodo di relativo declino. negli anni 80 le reti neurali tornarono in auge gra- zie al lavoro di Teuvo Kohonen che progettò un tipo di rete auto-organizzante , oltre che ai modelli RBF (Rete neurale a base radiale) e EPB (Error Back-Propagation) che contribu- irono ai moderni sviluppi della cibernetica e del Machine Learning. Architetture e modelli di apprendimento Tipicamente l’architettura dei calcolatori è basata su un’unità di elaborazione fisicamente separata dalla memoria. L’unità di elaborazione agisce sui dati eseguendo una serie di istruzioni definite da un programmatore. Con l’avvento delle reti neurali si è tentato di aggirare questa “limitazione”, ovvero di realizzare artificial- mente comportamenti intelligenti. L’ architet- tura parallela delle reti neurali artificiali si basa su un grande numero di unità elementari interconnesse su cui vengono distribuiti l’ap- prendimento e le informazioni . La loro pecu- liarità consiste nella capacità di apprendere dai dati di esperienza senza un meccanismo che ne determini a priori il comportamento. Adde- strare una rete neurale artificiale corrisponde a effettuare un certo numero di cicli di apprendi- mento grazie ai quali la rete genera una rappre- sentazione interna del problema. Una rete neurale si presenta quindi come un sistema “adattivo” non lineare in grado di modificare i nodi/neuroni e le interconnes- sioni basandosi su dati interni ed esterni. In linea di massima, le reti neurali sono formate dallo strato degli ingressi che ha il compito di ricevere ed elaborare i segnali in ingresso adat- tandoli alle richieste dei nodi della rete, dallo strato nascosto che svolge il processo di elabo- razione vero e proprio e dallo strato di uscita dove vengono raccolti i risultati dell’elabo- razione e adattati alle richieste del successivo livello della rete neurale. Affinché questo processo risulti performante è necessario “addestrare” le reti neurali in ter- mini di Machine Learning secondo 4 principali modelli di apprendimento. L’ apprendimento supervisionato (Supervised Learning) pre- vede che all’algoritmo vengano forniti sia set di dati come input sia le informazioni relative ai risultati desiderati. Nell’ apprendimento non supervisionat o (Unsupervised Learning) al sistema vengono forniti solo set di dati senza alcuna indicazione del risultato desiderato. Nell’ apprendimento per rinforzo le presta- zioni del sistema sono determinate da una rou- inputs outputs input layer hidden layer output layer Rappresentazione a strati delle reti neurali