I computer sono in grado di eseguire elaborazioni o procedure automatiche in modo molto efficiente

Es:calcoli matematicimemorizzazione o recupero informazioni

Risultano estremamente difficili o impossibili applicazioni in cui è necessario:

ragionamento simbolicomodellazione ed estrazione della conoscenzapercezioneautoapprendimento

Per un computer è difficile riconoscere gli oggetti presenti in un’immagine perchèa partire dai contorni dovuti alle variazioni di luminosità, non riesce a raggrupparli per definire gli oggettiQuesto processo, detto di segmentazione, è molto difficile da realizzare per un sistema puramente automatico perchè necessita della conoscenza a priori riguardo agli oggetti.

Ecco perché non esistono sistemi di guida automatica

Riconoscimento vocale

addestramento

riconoscimento

Le reti neurali artificiali: un modo di implementare l’intelligenza artificiale

L'obiettivo dell'intelligenza artificiale è quello di emulare processi che, quando fatti da umani, richiedono cognizione.

Questo viene inseguito, e in parte ottenuto, attraverso algoritmi la cui classe principale è costituita dalle reti neurali artificiali.Le reti neurali artificiali imitano la struttura e la topologia del cervello umano per imitarne il funzionamento.

A un sistema intelligente si chiede di:• memorizzare ed elaborare la conoscenza (es: raccogliere la conoscenza dei medici

luminari)• applicare la conoscenza per risolvere problemi (es: produrre diagnosi più accurate)• aumentare la propria conoscenza tramite l'esperienza (es: imparare dagli errori e dai successi: retroazione di ulteriori diagnosi)

Una rete neurale è strutturalmente un insieme di elementi, detti neuroni artificiali, interconnessi tra loro

Il neurone artificiale

w1

w2

w3

wn

x1

x2

x3

xn

b

biasweightsinputs

f

non linearfunction

)(1

bfyn

iii xw

assoni sinapsi

dendritiassone

corpo

u

P

UNITÀ LINEARE

u

1

Soglia P

UNITÀ A SOGLIA

strato di neuroni di ingresso

strato di neuroni nascosto o intermedio

strato di neuroni di uscita

uscite

Similitudine tra una rete neurale biologica e una artificiale

Struttura di una rete neurale

nodi

Nei computer, il software inteso come insieme di istruzioni, è eseguito dall’hardware

Nell’uomo, la mente è il software che gira su un hardware biologico: il cervello

In linea di principio la mente può essere riprodotta su qualsiasi macchina non biologica

Le reti neurali artificiali sono un insieme di istruzioni eseguite da un sistema che• storicamente è il processore di un computer

• nel futuro saranno i processori ottici

• e sistemi ibridi neuroni biologici – circuiti elettronici

Reti neuraliartificiali

Cervelloumano

Elaboratoreelettronico

1 evento / ms per neurone1 milione eventi / ms

100 miliardi di neuroni ognuno dei quali comunica con altri diecimila neuroni

Centinaia o migliaia di neuroni ognuno dei quali comunica con decine o centinaia di altri neuroni

Rapido nell’eseguire operazioni logico matematiche,inefficiente nei problemi della vita quotidiana (es: pattern recognition, decisioni)

elaborazione seriale elaborazione parallela

programmato per svolgere un compito preciso

un solo elemento di elaborazione più elementi di elaborazionepiù elementi di elaborazione

i pesi delle connessioni sono utilizzati per memorizzare

impara dagli sbagliimpara dagli sbagli

Rapido nelle logica sfumata, processi decisionali, riconoscimento forme

Dipendente dalla realizzazione (elettronica, ottica o biologica)

Elaborazione generalmente seriale

Apprendimento

Implementare una rete neurale significa stabilire la sua struttura: numero degli strati, numero dei neuroni per ciascun strato, topologia delle connessioni, condizioni iniziali, tipo di funzioni matematiche implementate dai neuroni di ciascun strato, metodo di apprendimento e verifica

La rete appena implementata non sa fare nulla

Prima di essere operativa deve apprendere, questo avviene mediante la somministrazione di esempi di correlazioni ingresso-uscita

L’apprendimento consiste nella modifica dei pesi associati ad ogni connessione e nella modifica del bias di ciascun neurone, quest’ultimo stabilisce il punto di lavoro del neurone nella propria funzione non lineare

La verifica dell’apprendimento avviene mediante la somministrazione di ingressi (stimoli) che la rete non aveva mai visto in fase di apprendimento e di cui noi ci aspettiamo uscite (risposte o reazioni) precise.

Problemi di apprendimento

Può accadere che dopo l’apprendimento le prestazioni non siano soddisfacenti, perché?

Troppi pochi esempi in fase di addestramento

Esempi polarizzati (distribuzione non uniforme dei casi)

Esempi contraddittori

Topologia e complessità della rete non adeguati al problema

Ripetere l’apprendimento con diverse condizioni iniziali

Non sono state raggiunte le prestazioni migliori a causa della funzione di addestramento non adeguata

Altre caratteristiche

Risoluzione di problemi complessi e non lineari

Problemi per cui non si conoscono le relazioni ingresso-uscita ma si hanno a disposizione solo dei casi

Capacità di memorizzare

Risposta continua ad esclusione di un numero finito di discontinuità ad input simili la rete risponde con output simili

Tolleranza agli errori scostamenti non significativi dei valori di input vengono assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o al decadimento del segnale

Tolleranza ai guasti La presenza di molte unità di processamento parallele fa si che l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze non irreparabili

Ai fini dell’apprendimento dobbiamo fornire alla rete neurale tanti più esempi quanto più fortemente non lineare è il sistema da modellare.

Non sappiamo a priori quale sia la miglior topologia (numero di nodi, di strati, collegamenti fra nodi e tipo di funzioni che devono implementare i nodi di ciascun strato) da assegnare alla rete neurale affinché modellizzi al meglio il nostro sistema.

Una volta che la rete funziona, non sappiamo nulla del suo modello interno, in altre parole non fornisce spiegazioni sul funzionamento del sistema che stiamo studiando. La rete è per noi una scatola nera. I problemi non vengono capiti ma risolti.

Svantaggi dell’utilizzo delle reti neurali:

ingresso uscita

?

Applicazioni

Compressione dei dati (non secondo una codifica o una corrispondenza esatta)Eliminazione del rumore dai dati o dai segnaliRiconoscimento segnali sonarMacchina da scrivere fonetica (dettatura dei testi al computer)Riconoscimento di caratteri (attribuire un significato ad una forma)Sistemi di guida automatica (sistemi missilistici, robot microspia)Classificazione di immagini (gli stessi oggetti cambiano colore, luminosità, tessitura a

causa delle ombre, dell’illuminazione, della verniciatura…)Analisi finanziarie (previsioni)Medicina (migliorare le diagnosi)

Il presente: Anche se poco se ne parla, la ricerca in questo campo è particolarmente attiva

IEEE Transaction on RoboticsIEEE Transaction on Fuzzy SystemsIEEE Transaction on Neural NetworksIEEE Transaction on Image processingIEEE Transaction on NanoBioscienceIEEE Transaction on NanoTechnologyIEEE Transaction on Robotics and AutomationIEEE Transaction on Evolutionary ComputationIEEE Transaction on Systems, Man and CyberneticsIEEE Transaction on Parallel and Distribuited SystemsIEEE Transaction on Pattern Analysis and Machine IntelligenceIEEE Transaction on Neural Systems and Rehabilitation Engineering

Il futuro ?

Speriamo che acquistino autocoscienza il più tardi possibile.