Percettroni e reti neurali: principi fondamentali della computer vision

Negli ultimi decenni, le reti neurali sono diventate i mattoni fondamentali di molte innovazioni chiave nell'intelligenza artificiale (AI). Le reti neurali sono modelli computazionali che cercano di imitare le complesse funzioni del cervello umano. Aiutano le macchine ad apprendere dai dati e a riconoscere schemi per prendere decisioni informate. In questo modo, rendono possibili sottocampi dell'AI come la computer vision e il deep learning in settori come la sanità, la finanza e le auto a guida autonoma.

Capire come funziona una rete neurale può aiutarti a comprendere meglio la "scatola nera" dell'AI e a demistificare il modo in cui la tecnologia all'avanguardia viene integrata nella nostra vita quotidiana. In questo articolo esploreremo cosa sono le reti neurali, come funzionano e come si sono evolute nel corso degli anni. Esamineremo anche il ruolo che svolgono nelle applicazioni di computer vision. Iniziamo!

Che cos'è un percettrone nell'AI?#

Prima di discutere in dettaglio delle reti neurali, diamo un'occhiata ai percettroni. Sono il tipo più semplice di rete neurale e costituiscono la base per costruire modelli più complessi.

Un percettrone è un algoritmo lineare di machine learning utilizzato per l'apprendimento supervisionato (apprendimento da dati di addestramento etichettati). È noto anche come rete neurale a singolo strato e viene in genere utilizzato per attività di classificazione binaria che distinguono tra due classi di dati. Se vuoi visualizzare un percettrone, puoi pensarlo come un singolo neurone artificiale.

Fig. 1. Un percettrone è un singolo neurone artificiale.

Capire come funziona un percettrone#

Un percettrone può ricevere diversi input, combinarli con dei pesi, decidere a quale categoria appartengono e agire come un semplice decisore. È composto da quattro parametri principali: valori di input (chiamati anche nodi), pesi e bias, somma netta e funzione di attivazione.

Ecco come funziona:

• Input e pesi: supponiamo che tu abbia diverse informazioni (input), ciascuna con un peso che indica quanto è importante. Inoltre, il bias aiuta il percettrone a essere più flessibile nel prendere decisioni.
• Calcolo della somma pesata: il percettrone moltiplica ciascun input per il relativo peso e poi somma tutto, incluso il bias, per ottenere una somma pesata.
• Prendere una decisione: quindi, il percettrone utilizza una funzione di attivazione per determinare l'output finale. Prende la somma pesata e decide se il percettrone deve attivarsi o meno. Nel caso più semplice, la funzione di attivazione è una funzione a gradino che restituisce un output pari a uno se la somma pesata supera una determinata soglia e pari a zero in caso contrario. In questo modo, l'input pesato viene convertito in una decisione sì o no.
• Apprendimento e miglioramento: se il percettrone commette un errore, modifica i pesi per cercare di migliorare la volta successiva. Questo processo aiuta il modello ad apprendere dai propri errori.

Fig. 2. Panoramica di un percettrone. fonte: indiantechwarrior.com

Il ruolo dei percettroni nella computer vision#

I percettroni svolgono un ruolo importante nell'aiutarci a comprendere le basi della computer vision. Sono il fondamento delle reti neurali avanzate. A differenza dei percettroni, le reti neurali non sono limitate a un singolo strato. Sono composte da più strati di percettroni interconnessi, che consentono loro di apprendere schemi non lineari complessi. Le reti neurali possono gestire attività più avanzate e produrre output sia binari sia continui. Ad esempio, possono essere utilizzate per attività avanzate di computer vision come la segmentazione delle istanze e la stima della posa.

L'evoluzione della tecnologia di computer vision dalle reti neurali#

La storia delle reti neurali risale a diversi decenni fa ed è ricca di ricerche e scoperte interessanti. Esaminiamo più da vicino alcuni di questi eventi chiave.

Ecco una rapida panoramica delle prime tappe fondamentali:

• Anni '40: Warren McCulloch e Walter Pitts svilupparono un semplice circuito per imitare il funzionamento del cervello.
• 1958: Rosenblatt introdusse il percettrone.
• Anni '70: Paul Werbos ideò il concetto di retropropagazione (un metodo di addestramento che aiuta una rete neurale ad apprendere riducendo al minimo la differenza tra gli output previsti e quelli effettivi). La retropropagazione rese possibile addestrare reti neurali multilivello e aprì la strada al deep learning.
• Anni '80: ricercatori come Geoffrey Hinton e Yann LeCun studiarono il connessionismo, ovvero il modo in cui reti di unità interconnesse possono formare processi cognitivi. Il loro lavoro gettò le basi per le moderne reti neurali.
• Anni '90: Jürgen Schmidhuber e Sepp Hochreiter proposero la rete con memoria a lungo-breve termine (LSTM), diventata essenziale per le attività che prevedono sequenze.

Fig. 3. L'evoluzione delle reti neurali.

Con l'ingresso nel XXI secolo, la ricerca sulle reti neurali decollò, portando a progressi ancora maggiori. Negli anni 2000, il lavoro di Hinton sulle macchine di Boltzmann ristrette, un tipo di rete neurale che individua schemi nei dati, svolse un ruolo fondamentale nel progresso del deep learning. Rese più semplice l'addestramento delle reti profonde, contribuendo a superare le difficoltà legate ai modelli complessi e rendendo il deep learning più pratico ed efficace.

Poi, negli anni 2010, la ricerca accelerò rapidamente grazie alla diffusione dei big data e del calcolo parallelo. Un momento di rilievo fu la vittoria di AlexNet nella competizione ImageNet (2012). AlexNet, una rete neurale convoluzionale profonda, rappresentò una svolta importante perché dimostrò quanto potesse essere potente il deep learning per le attività di computer vision, come il riconoscimento accurato delle immagini. Contribuì a stimolare la rapida crescita dell'AI nel riconoscimento visivo.

Oggi le reti neurali si evolvono grazie a nuove innovazioni come i transformer, ottimi per comprendere le sequenze, e le reti neurali a grafo, efficaci nel gestire relazioni complesse nei dati. Anche tecniche come il transfer learning, ovvero l'utilizzo di un modello addestrato per un'attività per svolgerne un'altra, e l'apprendimento supervisionato autonomo, in cui i modelli apprendono senza aver bisogno di dati etichettati, stanno ampliando le possibilità delle reti neurali.

Comprendere le reti neurali: le basi#

Ora che abbiamo gettato le basi, cerchiamo di capire esattamente che cos'è una rete neurale. Le reti neurali sono un tipo di modello di machine learning che utilizza nodi o neuroni interconnessi in una struttura a strati simile al cervello umano. Questi nodi o neuroni elaborano i dati e apprendono da essi, consentendo di svolgere attività come il riconoscimento degli schemi. Inoltre, le reti neurali sono adattive, quindi possono imparare dai propri errori e migliorare nel tempo. Questo permette loro di affrontare problemi complessi, come il riconoscimento facciale, con maggiore precisione.

Fig. 4. Una rete neurale.

Le reti neurali sono composte da più processori che lavorano in parallelo, organizzati in strati. Comprendono uno strato di input, uno strato di output e diversi strati nascosti intermedi. Lo strato di input riceve i dati grezzi, in modo simile a come i nostri nervi ottici ricevono le informazioni visive.

Ogni strato passa quindi il proprio output a quello successivo, invece di lavorare direttamente con l'input originale, proprio come i neuroni del cervello inviano segnali gli uni agli altri. Lo strato finale produce l'output della rete. Attraverso questo processo, una rete neurale artificiale (ANN) può imparare a svolgere attività di computer vision come la classificazione delle immagini.

Un'applicazione industriale delle reti neurali nella computer vision#

Ora che abbiamo capito cosa sono le reti neurali e come funzionano, esaminiamo un'applicazione che ne dimostra il potenziale nella computer vision.

Ispezione delle linee elettriche nel settore energetico#

Le reti neurali costituiscono la base di modelli di computer vision come Ultralytics YOLO11 e possono essere utilizzate per ispezionare visivamente le linee elettriche tramite droni. Il settore dei servizi di pubblica utilità deve affrontare difficoltà logistiche nell'ispezione e nella manutenzione delle proprie estese reti di linee elettriche. Queste linee si estendono spesso da affollate aree urbane a paesaggi remoti e impervi. Tradizionalmente, queste ispezioni venivano effettuate da squadre a terra. Sebbene efficaci, questi metodi manuali sono costosi, richiedono molto tempo e possono esporre i lavoratori a rischi ambientali ed elettrici. Le ricerche mostrano che il lavoro sulle linee elettriche rientra tra le dieci professioni più pericolose negli Stati Uniti, con un tasso annuo di mortalità compreso tra 30 e 50 lavoratori ogni 100.000.

Tuttavia, la tecnologia di ispezione con droni può rendere le ispezioni aeree un'opzione più pratica ed economica. La tecnologia all'avanguardia consente ai droni di percorrere distanze maggiori senza dover cambiare frequentemente la batteria durante le ispezioni. Molti droni sono oggi dotati di AI e dispongono di funzioni automatizzate per evitare gli ostacoli e di capacità più avanzate di rilevamento dei guasti. Queste caratteristiche consentono loro di ispezionare aree affollate con numerose linee elettriche e di acquisire immagini di alta qualità da distanze maggiori. Molti Paesi stanno adottando i droni e la computer vision per le attività di ispezione delle linee elettriche. Ad esempio, in Estonia, il 100% delle ispezioni delle linee elettriche viene effettuato con droni di questo tipo.

Fig. 5. Un tecnico utilizza droni e strumenti di AI per ispezionare le linee elettriche (immagine a sinistra) e il drone che sta pilotando (immagine a destra) (suasnews).

Punti chiave#

Le reti neurali hanno fatto molta strada, dalla ricerca alle applicazioni, e sono diventate una parte importante dei moderni progressi tecnologici. Consentono alle macchine di apprendere, riconoscere schemi e prendere decisioni informate utilizzando ciò che hanno imparato. Dalla sanità e dalla finanza ai veicoli autonomi e alla produzione, queste reti stanno promuovendo l'innovazione e trasformando i settori. Man mano che continuiamo a esplorare e perfezionare i modelli di rete neurale, diventa sempre più evidente il loro potenziale di ridefinire ulteriormente molti aspetti della nostra vita quotidiana e delle attività aziendali.

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra community. Scopri le applicazioni dell'AI nella produzione e nell'agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀