Le reti neurali sono modelli computerizzati di unità o nodi collegati progettati per trasmettere, elaborare e imparare dalle informazioni (dati) in un modo simile a come i neuroni (cellule nervose) funzionano nell'uomo.
Reti neurali artificiali
Nella tecnologia, le reti neurali sono spesso chiamate reti neurali artificiali (ANNs) o reti neurali per distinguere dalle reti neurali biologiche che sono state modellate. L'idea principale dietro ANNs è che il cervello umano è il "computer" più complesso e intelligente esistente. Modellando le RNA il più vicino possibile alla struttura e al sistema di elaborazione delle informazioni utilizzato dal cervello, i ricercatori speravano di creare computer che si avvicinavano o superavano l'intelligenza umana. Le reti neurali sono una componente chiave degli attuali progressi nell'intelligenza artificiale (AI), nell'apprendimento automatico (ML) e nell'apprendimento profondo.
Come funzionano le reti neurali: un confronto
Per capire come funzionano le reti neurali e le differenze tra i due tipi (biologico e artificiale), utilizziamo l'esempio di un edificio per uffici di 15 piani e le linee telefoniche e i centralini che indirizzano le chiamate in tutto l'edificio, i singoli piani e i singoli uffici. Ogni singolo ufficio nel nostro edificio per uffici di 15 piani rappresenta un neurone (nodo nella rete di computer o nella cellula nervosa in biologia). L'edificio stesso è una struttura che contiene un insieme di uffici disposti in un sistema di 15 piani (una rete neurale).
Applicando l'esempio alle reti neurali biologiche, il centralino che riceve le chiamate ha linee per connettersi a qualsiasi ufficio su qualsiasi piano dell'intero edificio. Inoltre, ogni ufficio ha linee che lo collegano a tutti gli altri uffici nell'intero edificio su qualsiasi piano. Immagina che una chiamata arrivi (input) e il centralino la trasferisca in un ufficio sul 3rd piano, che lo trasferisce direttamente in un ufficio sull'11esimo piano, che poi trasferisce direttamente in un ufficio sul 5esimo pavimento. Nel cervello, ogni neurone o cellula nervosa (un ufficio) può connettersi direttamente a qualsiasi altro neurone nel suo sistema o rete neurale (l'edificio). Le informazioni (la chiamata) possono essere trasmesse a qualsiasi altro neurone (ufficio) per elaborare o apprendere ciò che è necessario fino a quando c'è una risposta o una risoluzione (output).
Quando applichiamo questo esempio alle RNA, diventa un po 'più complesso. Ogni piano dell'edificio richiede un proprio centralino, che può collegarsi solo agli uffici sullo stesso piano, così come i quadri dei piani sopra e sotto di esso. Ogni ufficio può solo collegarsi direttamente ad altri uffici sullo stesso piano e al centralino di quel piano. Tutte le nuove chiamate devono iniziare con il centralino al 1 ° piano e devono essere trasferite in ogni singolo piano in ordine numerico fino al 15esimo piano prima che la chiamata possa finire. Mettiamolo in moto per vedere come funziona.
Immagina che una chiamata arrivi (input) al 1st centralino e viene inviato a un ufficio sul 1st piano (nodo). La chiamata viene quindi trasferita direttamente tra gli altri uffici (nodi) sul 1st piano fino a quando non è pronto per essere inviato al piano successivo. Quindi la chiamata deve essere rinviata al 1st centralino, che poi lo trasferisce al 2ND centralino Questi stessi passaggi si ripetono un piano alla volta, con la chiamata inviata attraverso questo processo su ogni singolo piano fino al 15.
Nelle RNA, i nodi (uffici) sono disposti a strati (piani dell'edificio). Le informazioni (una chiamata) arrivano sempre attraverso il livello di input (1st piano e il suo centralino) e devono essere inviati e elaborati da ogni strato (pavimento) prima di poter passare a quello successivo. Ogni livello (piano) elabora un dettaglio specifico su quella chiamata e invia il risultato insieme alla chiamata al livello successivo. Quando la chiamata raggiunge il livello di output (15esimo floor e il suo centralino), include le informazioni di elaborazione dagli strati 1-14. I nodi (uffici) sul 15esimo layer (floor) usa le informazioni di input e di elaborazione da tutti gli altri layer (floor) per ottenere una risposta o una risoluzione (output).
Reti neurali e apprendimento automatico
Le reti neurali sono un tipo di tecnologia sotto la categoria di apprendimento automatico. In effetti, il progresso nella ricerca e nello sviluppo delle reti neurali è strettamente connesso ai flussi e ai flussi di avanzamento in ML. Le reti neurali espandono le capacità di elaborazione dei dati e aumentano la potenza di calcolo della ML, aumentando il volume di dati che possono essere elaborati ma anche la capacità di eseguire attività più complesse.
Il primo modello di computer documentato per ANNs è stato creato nel 1943 da Walter Pitts e Warren McCulloch. L'interesse iniziale e la ricerca nelle reti neurali e nell'apprendimento automatico alla fine rallentarono e furono più o meno accantonate entro il 1969, con solo piccole esplosioni di rinnovato interesse. I computer del tempo semplicemente non disponevano di processori sufficientemente veloci o sufficientemente grandi per far avanzare ulteriormente queste aree, e la grande quantità di dati necessari per ML e reti neurali non era disponibile al momento.
Gli enormi aumenti della potenza di calcolo nel tempo insieme alla crescita e all'espansione di Internet (e quindi l'accesso a enormi quantità di dati attraverso Internet) hanno risolto queste prime sfide. Le reti neurali e le ML sono ora strumentali nelle tecnologie che vediamo e utilizziamo ogni giorno, come il riconoscimento facciale, l'elaborazione e la ricerca delle immagini e la traduzione linguistica in tempo reale, per citarne solo alcuni.
Esempi di reti neurali nella vita di tutti i giorni
L'ANN è un argomento abbastanza complesso nell'ambito della tecnologia, tuttavia, vale la pena dedicare del tempo ad esplorare a causa del numero crescente di modi in cui ogni giorno influisce sulle nostre vite. Ecco alcuni esempi di modi in cui le reti neurali sono attualmente utilizzate da diversi settori:
- Finanza: Le reti neurali sono utilizzate per prevedere i tassi di cambio. Sono anche utilizzati nella tecnologia dietro i sistemi di trading automatici utilizzati nel mercato azionario.
- Medicina: Le capacità di elaborazione delle immagini delle reti neurali hanno contribuito alla tecnologia che aiuta a schermare e rilevare in modo più accurato i tipi di tumore in fase iniziale e difficili da identificare. Uno di questi tipi di cancro è il melanoma invasivo, la forma più grave e mortale del cancro della pelle. Identificare il melanoma nelle fasi precedenti, prima che si diffonda, offre ai pazienti con questo tipo di cancro le migliori possibilità di batterlo.
- Tempo metereologico: La capacità di rilevare i cambiamenti atmosferici che indicano un evento meteorologico potenzialmente grave e pericoloso il più rapidamente e accuratamente possibile è essenziale per salvare vite umane. Le reti neurali sono coinvolte nell'elaborazione in tempo reale di immagini satellitari e radar che non solo rilevano la formazione iniziale di uragani e cicloni, ma rilevano anche cambiamenti improvvisi nella velocità e nella direzione del vento che indicano un tornado di formazione. I tornado sono alcuni degli eventi meteorologici più forti e più pericolosi mai registrati, spesso più improvvisi, distruttivi e mortali degli uragani.
