Percettroni e reti neurali: principi di base della visione artificiale

Negli ultimi decenni, le reti neurali sono diventate alla base di molte importanti innovazioni dell'intelligenza artificiale (AI). 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'IA come la visione artificiale e il deep learning in settori quali sanità, finanza e auto a guida autonoma.

Capire il funzionamento di una rete neurale può aiutarti a comprendere meglio la «scatola nera» dell'IA e a fare chiarezza su come le tecnologie più avanzate si integrano nella nostra vita quotidiana. In questo articolo vedremo che cosa sono le reti neurali, come funzionano e come si sono evolute nel corso degli anni. Esamineremo anche il loro ruolo nelle applicazioni di visione artificiale. Cominciamo!

Cos’è un percettrone nell’AI?#

Prima di parlare nel dettaglio delle reti neurali, diamo un'occhiata ai percettroni. Sono il tipo più semplice di rete neurale e costituiscono le fondamenta su cui si costruiscono modelli più complessi.

Un percettrone è un algoritmo lineare di machine learning usato per l’apprendimento supervisionato (ovvero l’apprendimento da dati di addestramento etichettati). È noto anche come rete neurale a singolo strato e viene generalmente usato per attività di classificazione binaria che distinguono tra due classi di dati. Per visualizzare un percettrone, puoi immaginarlo 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, stabilire a quale categoria appartengono e agire come un semplice decisore. È composto da quattro elementi principali: valori di input (chiamati anche nodi), pesi e bias, somma netta e una 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 rende il percettrone più flessibile nel prendere decisioni.
• Calcolo della somma pesata: Il percettrone moltiplica ogni input per il relativo peso e poi somma tutti i valori, incluso il bias, per ottenere una somma pesata.
• Prendere una decisione: Il percettrone usa quindi una funzione di attivazione per determinare l’output finale. Prende la somma pesata e decide se attivarsi o meno. Nel caso più semplice, la funzione di attivazione è una funzione a gradino, che restituisce uno se la somma pesata supera una determinata soglia e 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 a imparare dai propri errori.

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

Il ruolo dei percettroni nella visione artificiale#

I percettroni svolgono un ruolo importante nella comprensione dei fondamenti della visione artificiale. Sono alla base delle reti neurali avanzate. A differenza dei percettroni, le reti neurali non sono limitate a un solo livello: sono composte da più livelli di percettroni interconnessi, che consentono loro di apprendere schemi non lineari complessi. Le reti neurali possono gestire attività più avanzate e produrre output binari e continui. Ad esempio, possono essere usate per attività avanzate di visione artificiale come la segmentazione di istanze e la stima della posa.

L’evoluzione della tecnologia di visione artificiale a partire dalle reti neurali#

La storia delle reti neurali risale a diversi decenni fa ed è ricca di ricerche e scoperte interessanti. Ripercorriamo alcuni degli eventi più importanti.

Ecco una breve panoramica delle prime tappe:

• Anni 1940: 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 output previsti e reali). La retropropagazione rese possibile addestrare reti neurali multistrato e aprì la strada al deep learning.
• Anni 1980: Ricercatori come Geoffrey Hinton e Yann LeCun studiarono il connessionismo, ovvero il modo in cui reti di unità interconnesse possono dar vita a processi cognitivi. Il loro lavoro gettò le basi delle reti neurali moderne.
• Anni '90: Jürgen Schmidhuber e Sepp Hochreiter proposero la rete a memoria a lungo e breve termine (LSTM), diventata essenziale per le attività di previsione delle sequenze.

Fig. 3 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, ebbe un ruolo chiave nell’avanzamento del deep learning. Addestrare reti profonde diventò più semplice, contribuendo a superare le difficoltà legate ai modelli complessi e rendendo il deep learning più pratico ed efficace.

Negli anni 2010, la ricerca ha poi subito una rapida accelerazione grazie all'avvento dei big data e del calcolo parallelo. Tra i momenti salienti di quel periodo c'è la vittoria di AlexNet alla competizione ImageNet del 2012. AlexNet, una profonda rete neurale convoluzionale, fu una svolta importante perché mostrò la potenza del deep learning per attività di visione artificiale come la classificazione accurata delle immagini. Contribuì a innescare la rapida crescita dell'IA 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 con relazioni complesse nei dati. Anche tecniche come il transfer learning — che consiste nell'usare per un'attività un modello addestrato per un'altra — e l'apprendimento autosupervisionato, in cui i modelli apprendono senza bisogno di dati etichettati, ampliano le capacità delle reti neurali.

Capire le reti neurali: le basi#

Ora che abbiamo gettato le basi, vediamo che cosa sono esattamente le reti neurali. Sono modelli di machine learning che usano nodi o neuroni interconnessi, organizzati in una struttura a livelli simile al cervello umano. Questi nodi o neuroni elaborano i dati e apprendono da essi, consentendo di svolgere attività come il riconoscimento di schemi. Inoltre, le reti neurali sono adattive: possono imparare dai propri errori e migliorare nel tempo. Questo permette loro di affrontare con maggiore precisione problemi complessi come il riconoscimento facciale.

Fig. 4 Una rete neurale.

Le reti neurali sono composte da più processori che lavorano in parallelo, organizzati in livelli. Comprendono un livello di input, un livello di output e diversi livelli nascosti intermedi. Il livello di input riceve dati grezzi, in modo simile a come i nervi ottici acquisiscono le informazioni visive.

Ogni livello trasmette poi il proprio output al successivo, invece di lavorare direttamente con l'input originale, proprio come i neuroni del cervello si inviano segnali a vicenda. Il livello finale produce l'output della rete. Seguendo questo processo, una rete neurale artificiale (ANN) può imparare a svolgere attività di visione artificiale come la classificazione delle immagini.

Un’applicazione industriale delle reti neurali nella visione artificiale#

Ora che abbiamo capito cosa sono le reti neurali e come funzionano, vediamo un’applicazione che ne mostra il potenziale nella visione artificiale.

Ispezione delle linee elettriche nel settore energetico#

Le reti neurali sono alla base dei modelli di visione artificiale come Ultralytics YOLO11 e possono essere usate 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 sue estese reti di linee elettriche. Queste linee attraversano ambienti che vanno da aree urbane trafficate a paesaggi remoti e impervi. Tradizionalmente, le ispezioni venivano svolte da squadre a terra. Questi metodi manuali, pur efficaci, sono costosi e dispendiosi in termini di tempo e possono esporre i lavoratori a rischi ambientali ed elettrici. Le ricerche dimostrano 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.

La tecnologia di ispezione con droni può però rendere le ispezioni aeree un'opzione più pratica ed economica. I droni più recenti possono volare più a lungo senza dover cambiare frequentemente le batterie durante le ispezioni. Molti modelli sono ormai dotati di IA, funzionalità automatiche per evitare gli ostacoli e migliori capacità di rilevamento dei guasti. Queste caratteristiche consentono loro di ispezionare aree affollate con numerose linee elettriche e acquisire immagini di alta qualità da distanze maggiori. Molti paesi stanno adottando droni e visione artificiale per ispezionare le linee elettriche. In Estonia, ad esempio, il 100% delle ispezioni delle linee elettriche viene svolto con questi droni. Per addestrare i modelli si possono usare dataset pubblici come TTPLA, che annota torri di trasmissione e linee elettriche nelle immagini aeree.

Fig. 5. Un tecnico usa 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#

Dalla ricerca alle applicazioni, le reti neurali hanno fatto molta strada e sono diventate una componente importante dei progressi tecnologici moderni. Consentono alle macchine di apprendere, riconoscere schemi e prendere decisioni informate sulla base di quanto hanno imparato. Dalla sanità e dalla finanza ai veicoli autonomi e alla produzione industriale, queste reti promuovono l’innovazione e trasformano i settori. Man mano che continuiamo a esplorare e perfezionare i modelli di reti neurali, diventa sempre più chiaro il loro potenziale nel ridefinire altri 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.