Scienza e Tech

Le principali applicazioni delle reti neurali

La storia delle reti neurali parte nel lontano 1943 grazie agli scienziati McCulloch e Pitts che crearono un grezzo modello teorico del primo neurone artificiale.

Fino ad arrivare ad oggi con IBM che ha sviluppato una rete neurale a cambiamento di fase, che pur non memorizzando informazioni in maniera permanente, ha creato un processo che si avvicina al funzionamento del cervello umano.

Le reti neurali artificiali sono la base su cui si poggia l’intelligenza artificiale, e portano a dei risultati impensabili per qualsiasi altro tipo di algoritmo.
Questo ha portato ad un suo studio ed utilizzo in moltissimi campi come la biomedicina, il datamining e tanti altri.

Infatti questa tecnologia è in grado di avvicinarsi alla capacità di problem solving della mente umana ed il alcuni casi ha trovato anche soluzioni innovative.

Come funzionano

La differenza più marcata con le reti neurali biologiche è la mancanza di un corrispettivo dei neurotrasmettitori, ma il processo di apprendimento, pur semplificato, è simile.

Praticamente i neuroni artificiali ricevono degli input, li processano e sono in grado di inviare informazioni ad altri neuroni.

Con un processo ripetuto di input – elaborazione – output sono in grado di apprendere la relazione fra le informazioni ricevute e la giusta risposta da dare.
Per stimolare questa evoluzione vengono usati degli algoritmi di apprendimento, che vengono divisi in 3 categorie e sono usati a seconda delle applicazioni della rete progettata.

Il primo metodo si chiama apprendimento supervisionato dove alla rete vengono forniti degli input conoscendo già quali dovranno essere gli output (training set). In questo modo la rete durante l’elaborazione inizia a comprendere la relazione che gli unisce e con il tempo impara a generalizzare potendo così elaborare input diversi dal training set.

Il secondo è l’apprendimento non supervisionato dove la rete riceve un numero di variabili di input e analizzandoli deve creare una categorizzazione formando dei cluster rappresentativi.

Il terzo è l’apprendimento di rinforzo dove la rete neurale ha un’interazione diretta con l’ambiente circostante. In questo caso interverrà un algoritmo di apprendimento che indirizzerà l’output verso il risultato sperato con una serie di incentivi e disincentivi a seconda della direzione delle elaborazioni. In questo caso si entra nel possibile processo creativo dell’intelligenza artificiale, in quando dato input e output l’elaborazione per connetterli è totalmente lasciata alla rete.

Applicazioni delle reti neurali

Al giorno d’oggi queste reti si stanno sviluppando in una serie di settori cosi eterogenei che non è quasi più possibile elencarli tutti.

Vediamone qualcuno.

Riconoscimento di immagini e scrittura manoscritta

Questo campo ha varie applicazioni, dalla sorveglianza e sicurezza tramite riconoscimento facciale fino a programmi in grado di tradurre qualsiasi manoscritto cartaceo o riprodurne fedelmente uno a partire da un testo fornito digitalmente.

Analisi del parlato e riconoscimento vocale

Anche qui ha applicazioni in sede di indagini, può perfezionare applicazioni per non vedenti, per scrittori o sulla creazione di traduttori simultanei istantanei.

Diagnosi mediche

La medicina è stato uno dei primi campi in cui è stata applicata questa tecnologia soprattutto nel campo diagnostico con particolare attenzione ai casi tumorali. Infatti l’attività diagnostica non è sempre un processo lineare, e l’esperienza e l’aver affrontato casi simili in precedenza può aiutare a trovare la soluzione. Per questo una rete capace di comparare milioni di dati può avere risultati sorprendenti. Inoltre questa tecnologia è in voga anche per redigere referti di TAC e risonanze magnetiche.

Finanza

Qui le reti hanno applicazioni numerose come previsione dei mercati, analisi dei rischi e dei portafogli. Anche in questo caso dove l’analisi della storicità e l’enorme mole di dati da analizzare sicuramente queste tecnologie possono portare un miglioramento deciso rispetto alle prestazioni umane.

Controllo di qualità su scala industriale

Altro campo di applicazione molto interessante, per sostituire i metodi manuali di osservazione che hanno costi e tempi elevati potendo agire solo su ogni singolo prodotto o poco efficaci quando lavorano a campione. Implementando invece degli standard di qualità ed integrando un sistema optomeccanico è possibile creare un sistema artificiale che in automatico individua i pezzi e scarta i refusi.

Auto a guida automatica

In questo caso siamo nel futuro che sta avanzando a grandi passi verso il presente. Infatti i veicoli a guida autonoma non sono più solo dei modelli teorici, ma esistono numerosi prototipi. La riuscita della commercializzazione dipende proprio dalla capacità dei sistemi autonomi di elaborare gli input dei sensori per restituire una guida sicura e rispettosa delle regole stradali.

Giulia D'Ambrosio

Sono laureata in Scienze naturali e appunto la scienza è la mia passione. Seguo il mondo della tecnologia e quotidianamente mi informo sulle notizie del settore. Non mi perdo nessuna news sul mondo scientifico e tecnologico.
Close