INTRODUZIONE ALL'AI

L’obiettivo centrale dell’intelligenza artificiale è quello di fornire una serie di algoritmi e tecniche che possono essere utilizzate per risolvere i problemi che gli esseri umani eseguono in modo intuitivo e quasi automatico, ma sono comunque molto impegnativi per i computer.

Tiziano Cianti

CTO&Founder EIskill

La storia delle reti neurali e dell’apprendimento profondo è lunga e un pò confusa.

L’obiettivo centrale dell’intelligenza artificiale è quello di fornire una serie di algoritmi e tecniche che possono essere utilizzate per risolvere i problemi che gli esseri umani eseguono in modo intuitivo e quasi automatico, ma sono comunque molto impegnativi per i computer. Un grande esempio di una tale classe di problemi di intelligenza artificiale è l’interpretazione e capire il contenuto di un’immagine: questo compito è qualcosa che un umano può fare con poco sforzo, ma estremamente difficile da realizzare per le macchine. Mentre la AI incarna un insieme ampio e diversificato di lavori relativi al ragionamento automatico della macchina (inferenza, pianificazione, euristica, ecc.), il sottocampo ‘Machine Learning’ tende a essere specificamente interessato al riconoscimento di pattern e apprendimento dai dati. Le reti neurali artificiali (ANNs) sono una classe di algoritmi di apprendimento automatico da cui apprendere dati e specializzati nel riconoscimento di modelli, ispirati alla struttura e alla funzione del cervello. L’apprendimento approfondito appartiene alla famiglia degli algoritmi di ANN e, nella maggior parte dei casi, i due i termini possono essere usati in modo intercambiabile.

La storia delle reti neurali e dell’apprendimento profondo è lunga e un pò confusa.

Può sorprendere sapere che “l’apprendimento profondo” esiste dagli anni ’40 sotto vari nomi. Mentre sono ispirati dal cervello umano e come i suoi neuroni interagiscono tra loro, le ANNs non sono intesi per essere modelli realistici del cervello. Invece, sono un’ispirazione, che ci permette di disegnare paralleli tra un modello molto basilare del cervello e come possiamo imitare alcuni di questi comportamenti attraverso reti neurali artificiali. Oggi, l’ultima incarnazione delle reti neurali come la conosciamo è chiamata deep learning. Ora che abbiamo hardware più veloce e specializzato con più dati di allenamento disponibili possiamo addestrare reti con molti livelli nascosti, capaci di apprendimento gerarchico in cui vengono appresi concetti semplici negli strati inferiori, e altri modelli astratti negli strati superiori della rete.

Forse l’esempio per eccellenza dell’apprendimento profondo applicato all’apprendimento funzionale è il Convolutional Neural Network (LeCun 1988) si applicava al riconoscimento di caratteri manoscritti che impara automaticamente i pattern discriminanti (chiamati “filtri”) dalle immagini impilando sequenzialmente strati uno sopra l’altro. I filtri nei livelli inferiori della rete rappresentano i bordi e gli angoli, mentre i livelli più alti usano i bordi e gli angoli per imparare più concetti astratti utili per discriminare tra classi di immagini.

In molte applicazioni, le CNN sono ora considerate il più potente classificatore di immagini e lo sono attualmente responsabile di far avanzare lo stato dell’arte nei sottocampi di visione artificiale che fanno leva apprendimento automatico.

Suggerisci l'articolo su

Share on facebook
Share on google
Share on twitter
Share on linkedin
Share on whatsapp
Share on email
Share on print