Reti neurali artificiali: quando l’IT si ispira al cervello biologico | Parte 1

Neuroni biologici interconnessi formano le nostre reti neurali cerebrali, quelle che permettono a ciascun individuo di ragionare, fare calcoli in parallelo, riconoscere suoni, immagini, volti, imparare e agire. L’idea di poter replicare artificialmente il cervello umano, simulandone il funzionamento, attraverso delle reti neurali artificiali deriva dai primi anni ’40 del XX secolo [il primo neurone artificiale fu proposto da W.S. McCulloch e W. Pitts in un famoso lavoro del 1943 intitolato “A Logical Calculus of the Ideas Immanent in Nervous Activity” con il quale cercarono di dimostrare che una macchina di Turing poteva essere realizzata con una rete finita di neuroni,  per attestare che il neurone era l’unità logica di base del cervello]. I circuiti neurali artificiali sono la base di sofisticate forme di intelligenza artificiale, sempre più evolute, in grado di apprendere sfruttando meccanismi simili (almeno in parte) a quelli dell’intelligenza umana.

Le reti neurali artificiali, Artificial Neural Network (ANN), infatti, sono modelli matematici composti da neuroni artificiali che si ispirano al funzionamento biologico del cervello umano. Risultano indispensabili per risolvere problemi ingegneristici di Intelligenza Artificiale e richiedono avanzati chip hardware a supporto.

IL MODELLO DI RIFERIMENTO: LE RETI NEURALI BIOLOGICHE

Il prototipo delle reti neurali artificiali sono quelle biologiche.
Le reti neurali del cervello umano sono la sede della nostra capacità di comprendere l’ambiente e i suoi mutamenti, e di fornire quindi risposte adattive calibrate sulle esigenze che si presentano.
Sono costituite da insiemi di cellule nervose fittamente interconnesse fra loro.

Il modello costitutivo di un ANN è ispirato ai fondamenti biologici riguardanti tessuti nervosi del cervello umano, il quale contiene neuroni (detti anche cellule nervose). Ogni neurone viene distinto in tre parti: un insieme di fibre di ingresso (dendriti), un corpo cellulare (soma) e una diramazione principale.

Gli assoni – ovvero il collegamento tra il nucleo e le diverse diramazioni –, a loro volta, si dividono in diverse terminazioni, ciascuna delle quali a contatto con altri neuroni. Ogni cellula nervosa può ricevere sino a 10.000 impulsi in ingresso. Le zone di contatto e di trasmissione degli impulsi sono chiamate sinapsi. Le controparti artificiali di neuroni e sinapsi sono le unità computazionali e le interconnessioni. I neuroni possono generare impulsi di tipo elettrico i quali vengono trasmessi attraverso l’assone e verso le sinapsi. Ogni impulso può contribuire all’eccitazione o all’inibizione del neurone ricevente. Inoltre l’efficienza con cui le sinapsi trasmettono i segnali può variare nel tempo.

Nel cervello i neuroni sono organizzati in vere e proprie reti, a loro volta incluse in moduli indipendenti gli uni dagli altri. Tale fattore assicura la possibilità di elaborare dati in parallelo e operare più processi simultaneamente.

Il modello artificiale di trasmissione delle informazioni fra i vari nodi di un ANN risulta una semplificazione di tali impulsi di sistemi biologici.

Nelle reti artificiali ovviamente il processo di apprendimento automatico è semplificato rispetto a quello delle reti biologiche. Non esistono analoghi dei neurotrasmettitori, ma lo schema di funzionamento è simile.

I nodi ricevono dati in input, li processano e sono in grado di inviare le informazioni ad altri neuroni. Attraverso cicli più o meno numerosi di input-elaborazione-output, in cui gli input presentano variabili differenti, diventano in grado di generalizzare e fornire output corretti associati ad input non facenti parte del training set.

Il loro codice, anche se scritto con gli stessi linguaggi usati per sviluppare le applicazioni tradizionali, non è un insieme di istruzioni fisse che permettono ai programmi di elaborare richieste specifiche in modo standard, ma è costituito da algoritmi che permettono alle reti di imparare quali output fornire a fronte di input che possono essere molto grandi, complessi e inattesi. Affinché questi modelli matematici, o algoritmi, riescano a raggiungere tali capacità, devono essere ben progettati e sottoposti a un periodo di training che varia in funzione della complessità delle applicazioni di impiego delle reti neurali artificiali.

Nel prossimo articolo approfondiremo questi aspetti, focalizzando l’attenzione sui diversi algoritmi di riferimento.