Rete neurale (NN)

Una rete neurale (NN) è un modello computazionale alla base dell' intelligenza artificiale (AI) progettato per riconoscere modelli, interpretare dati sensoriali e raggruppare informazioni. Ispirate alla struttura biologica del cervello umano , queste reti sono costituite da nodi interconnessi, o "neuroni", organizzati in livelli. Mentre un cervello biologico utilizza segnali chimici per comunicare attraverso le sinapsi, una rete neurale digitale utilizza operazioni matematiche per trasmettere informazioni. Questi sistemi sono la tecnologia alla base del moderno apprendimento automatico (ML), che consente ai computer di risolvere problemi complessi come il riconoscimento dei volti, la traduzione delle lingue e la guida di veicoli autonomi senza essere esplicitamente programmati per ogni regola specifica.

Reti neurali e apprendimento profondo

Sebbene i termini siano spesso usati in modo intercambiabile, è importante distinguere tra una rete neurale di base e il deep learning (DL). La differenza principale risiede nella profondità e nella complessità. Una rete neurale standard o "superficiale" può avere solo uno o due livelli nascosti tra l' input e l'output. Al contrario, il Deep Learning coinvolge reti neurali "profonde" con decine o addirittura centinaia di livelli. Questa profondità consente l' estrazione automatica delle caratteristiche, permettendo al modello di comprendere i modelli gerarchici: i bordi semplici diventano forme e le forme diventano oggetti riconoscibili. Per un approfondimento tecnico più dettagliato, MIT News spiega il deep learning e la sua evoluzione dalle reti di base.

Come apprendono le reti neurali

Il processo di "apprendimento" in una rete neurale comporta la regolazione dei parametri interni per ridurre al minimo gli errori. I dati entrano attraverso un livello di input, passano attraverso uno o più livelli nascosti dove avvengono i calcoli ed escono attraverso un livello di output come previsione.

• Weights and Biases: ogni connessione tra neuroni ha un "peso" che determina la forza del segnale. Durante l'addestramento, la rete regola questi pesi in base ai dati di addestramento.
• Funzioni di attivazione: per decidere se un neurone deve "attivarsi" o attivarsi, la rete utilizza una funzione di attivazione come ReLU o Sigmoid. Ciò introduce la non linearità, consentendo alla rete di apprendere confini complessi.
• Retropropagazione: quando la rete effettua una previsione, confronta il risultato con la risposta corretta effettiva. Se c'è un errore, un algoritmo chiamato retropropagazione invia un segnale all'indietro attraverso la rete per mettere a punto i pesi, migliorando la precisione nel tempo.
• Ottimizzazione: algoritmi come lo Stochastic Gradient Descent (SGD) aiutano a trovare l'insieme ottimale di pesi per minimizzare la funzione di perdita. Per ulteriori informazioni sugli algoritmi di ottimizzazione su AWS.

Applicazioni nel mondo reale

Le reti neurali sono il motore di molte tecnologie che caratterizzano l'era moderna.

1. Visione artificiale: nel campo della visione artificiale (CV), per analizzare i dati visivi vengono utilizzate retispecializzate denominate reti neurali convoluzionali (CNN) . Modelli avanzati come Ultralytics utilizzano architetture di reti neurali profonde per il rilevamento di oggetti in tempo reale. Questi sistemi sono fondamentali per l' intelligenza artificiale in agricoltura, dove monitorano lo stato di salute delle colture , e nei sistemi di sicurezza per il rilevamento di anomalie.
2. Elaborazione del linguaggio naturale: per le attività che coinvolgono il testo, architetture come le reti neurali ricorrenti (RNN) e i trasformatori hanno rivoluzionato il modo in cui le macchine comprendono il linguaggio umano. Queste reti alimentano gli strumenti di traduzione automatica e gli assistenti virtuali . È possibile vedere l'impatto di queste tecnologie nell' IA nel settore sanitario, dove aiutano nella trascrizione delle note mediche e nell'analisi delle cartelle cliniche dei pazienti.
3. Analisi predittiva: le aziende utilizzano le reti neurali per l'analisi delle serie temporali al fine di prevedere i prezzi delle azioni o le esigenze di inventario. IBM fornisce un'eccellente panoramica delle reti neurali nell'analisi aziendale.

Attuazione pratica

Le moderne librerie software rendono accessibile l'implementazione di reti neurali senza la necessità di scrivere le operazioni matematiche da zero. Strumenti come il Piattaforma Ultralytics consentono agli utenti di addestrare facilmente queste reti su set di dati personalizzati. Il seguente Python mostra come caricare una rete neurale pre-addestrata (in particolare il modello all'avanguardia YOLO26) ed eseguire l'inferenza su un'immagine utilizzando il ultralytics pacchetto.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Sfide e considerazioni

Sebbene potenti, le reti neurali presentano sfide specifiche. In genere richiedono grandi quantità di dati etichettati per l' apprendimento supervisionato. Senza una sufficiente diversità dei dati, una rete è soggetta a overfitting, ovvero memorizza gli esempi di addestramento invece di imparare a generalizzare. Inoltre, le reti neurali profonde sono spesso definite "scatole nere" perché può essere difficile interpretare esattamente come sono arrivate a una decisione specifica, il che ha dato il via alla ricerca sull' IA spiegabile (XAI). Organizzazioni come l' IEEE StandardsAssociation stanno lavorando attivamente su standard per garantire che queste potenti reti siano utilizzate in modo etico e sicuro.