Cos'è una Rete Neurale?

Le reti neurali presentano molteplici casi d'uso in molti settori, tra cui:

• Diagnosi medica tramite classificazione di immagini mediche
• Marketing mirato tramite i filtri dei social network e analisi dei dati comportamentali
• Previsioni finanziarie tramite l'elaborazione di dati storici di strumenti finanziari
• Previsione del carico elettrico e della domanda di energia
• Elaborazione e controllo qualità
• Identificazione di composti chimici

Di seguito sono illustrate quattro delle importanti applicazioni delle reti neurali.

Visione artificiale

La visione artificiale è l’abilità dei computer di estrarre informazioni più o meno dettagliate da immagini e video. Con le reti neurali i computer possono distinguere e riconoscere immagini simili agli esseri umani. La visione artificiale ha molteplici applicazioni, tra cui:

• Riconoscimento visivo nelle auto a guida autonoma in modo che possano riconoscere i segnali stradali e gli altri utenti della strada
• Moderazione dei contenuti per rimuovere automaticamente contenuti non sicuri o inappropriati da archivi di immagini e video
• Riconoscimento facciale per identificare volti e riconoscere attributi come occhi aperti, occhiali e peli sul viso
• Etichettatura di immagini per identificare loghi di brand, abbigliamento, attrezzatura di sicurezza e altri dettagli dell'immagine

Riconoscimento vocale

Le reti neurali possono analizzare il discorso umano nonostante i diversi modelli di discorso, intonazione, tono, lingua e accento. Gli assistenti virtuali come Amazon Alexa e i software di trascrizione automatica utilizzano il riconoscimento vocale per eseguire attività come:

• Assistere gli agenti di call center e classificare automaticamente le chiamate
• Convertire conversazioni cliniche in documentazione in tempo reale
• Sottotitolare accuratamente video e registrazioni delle riunioni per una maggiore portata dei contenuti

Elaborazione del linguaggio naturale

L’elaborazione del linguaggio naturale (NLP) è la capacità di elaborare testi naturali creati dall'uomo. Le reti neurali aiutano i computer a raccogliere informazioni dettagliate e il significato da dati e documenti testuali. La NLP presenta diversi casi d’uso, tra cui le seguenti funzioni:

• Agenti automatici virtuali e chatbot
• Organizzazione automatica e classificazione di dati scritti
• Analisi di business intelligence di documenti lunghi come email e moduli
• Indicizzazione di frasi chiave che indicano sentimenti, come commenti positivi e negativi sui social media
• Riassunti di documenti e generazione di articoli per un dato argomento

Motori di raccomandazione

Le reti neurali possono tracciare l’attività dell'utente per sviluppare suggerimenti personalizzati. Possono anche analizzare tutti i comportamenti dell'utente e scoprire nuovi prodotti o servizi che interessano uno specifico utente. Ad esempio, Curalate, una startup con sede a Philadephia, aiuta i brand a convertire i post sui social media in vendite. I brand utilizzano il servizio di assegnazione intelligente di tag dei prodotti (IPT) di Curalate per automatizzare la raccolta e la cura dei contenuti social generati dagli utenti. L’IPT utilizza le reti neurali per trovare e suggerire automaticamente prodotti rilevanti per l’attività sui social media dell’utente. I consumatori non devono andare a caccia nei cataloghi online per trovare un prodotto specifico a partire a partire da un'immagine sui social media. Possono invece utilizzare l'assegnazione automatica di tag di prodotti per acquistare il prodotto con facilità.

Le reti neurali artificiali possono essere categorizzate in base a come i dati fluiscono dal nodo input al nodo output. Di seguito sono elencati alcuni esempi:

Reti neurali feedforward

Le reti neurali feedforward elaborano i dati in una direzione, dal nodo input al nodo output. Ogni nodo in un livello è connesso ad ogni nodo del livello successivo. Una rete feedforward utilizza un processo di feedback per migliorare le previsioni nel corso del tempo.

Algoritmo di backpropagation

Le reti neurali artificiali imparano continuamente utilizzando circuiti di feedback correttivi per migliorare le proprie analisi predittive dei dati. In parole povere, è possibile pensare a dati che fluiscono dal nodo di input al nodo di output tramite molti percorsi diversi nella rete neurale. Solo un percorso è quello corretto, che mappa il nodo di input verso il nodo di output corretto. Per trovare questo percorso, la rete neurale utilizza un circuito di feedback che funziona nel modo seguente:

1. Ogni nodo fa un'ipotesi sul nodo successivo del percorso.
2. Controlla se l'ipotesi era corretta. I nodi assegnano valori di peso maggiori ai percorsi che conducono a ipotesi più corrette e valori di peso minori a percorsi di nodi che conducono a ipotesi errate.
3. Per il successivo punto di dati, i nodi formulano una nuova previsione utilizzando i percorsi di peso maggiore, per poi ripetere il Passaggio 1.

Reti neurali convoluzionali

I livelli nascosti nelle reti neurali convoluzionali eseguono specifiche funzioni matematiche, come riassumere o filtrare, chiamate convoluzioni. Sono molto utili per la classificazione delle immagini perché possono estrarre caratteristiche rilevanti da immagini utili per il riconoscimento e la classificazione delle immagini. La nuova forma è più facile da elaborare senza perdere caratteristiche essenziali ai fini di una previsione attendibile. Ogni livello nascosto estrae ed elabora diverse caratteristiche dell’immagine, come i bordi, il colore e la profondità.

L'intelligenza artificiale è il campo delle scienze informatiche che ricerca metodi per dotare le macchine della capacità di eseguire attività che richiedono l'intelligenza umana. Il machine learning è una tecnica di intelligenza artificiale che fornisce ai computer l'accesso a set di dati molto ampi e insegna loro a imparare da questi dati. Il software di machine learning trova modelli nei dati esistenti e li applica a nuovi dati per prendere decisioni intelligenti. Il deep learning è una sottocategoria di machine learning che utilizza le reti di deep learning per elaborare dati.

Machine learning vs deep learning

I metodi tradizionali di machine learning richiedono l’input umano affinché il software di machine learning funzioni sufficientemente bene. Uno data scientist determina manualmente il set di caratteristiche rilevanti che il software deve analizzare. Ciò limita l’abilità del software, il che lo rende difficile da creare e gestire.

D’altra parte, nel deep learning, il data scientist fornisce al software solo dati non elaborati. La rete di deep learning deriva da sola le caratteristiche e impara in modo più autonomo. Essa può analizzare set di dati non strutturati come documenti di testo, identificare a quali attributi dei dati dare priorità e risolvere ulteriori difficoltà.

Ad esempio, se si stesse addestrando un software di machine learning a identificare correttamente l’immagine di un animale domestico , sarebbe necessario eseguire questi passaggi:

• Trovare ed etichettare migliaia di immagini di animali domestici, come gatti, cani, cavalli, criceti, pappagalli e così via, manualmente.
• Dire al software di machine learning quali caratteristiche ricercare in modo da identificare l’immagine per esclusione. Ad esempio, esso potrebbe contare il numero di zampe, poi controllare la forma degli occhi, delle orecchie, la coda, il manto e così via.
• Valutare manualmente e modificare i set di dati etichettati per migliorare l'accuratezza del software. Ad esempio, se il set di addestramento ha troppe immagini di gatti neri, il software identificherà correttamente un gatto nero, ma non uno bianco.
• Nel deep learning, comunque, le reti neurali elaborerebbero tutte le immagini e determinerebbero automaticamente la necessità di analizzare prima il numero di zampe e la forma della faccia, poi di guardare le code alla fine per identificare correttamente l’animale nell’immagine.