Che cos’è una rete neurale? Scopri come funziona una rete neurale artificiale, guarda esempi e applicazioni ed esplora i diversi tipi utilizzati nel deep learning.
Le reti neurali sono la tecnologia fondamentale alla base delle più recenti innovazioni dell’AI. Ispirati al modo in cui i neuroni si connettono nel cervello umano, questi sistemi sono costituiti da strati interconnessi di “neuroni” artificiali, ossia operazioni matematiche, che apprendono analizzando enormi dataset e individuando automaticamente schemi senza istruzioni esplicite su cosa cercare.
La capacità di generalizzare a partire dagli esempi consente alle reti neurali di affrontare problemi che in precedenza non potevano essere risolti con gli approcci informatici tradizionali, come gli algoritmi di riconoscimento delle immagini che permettono ai veicoli autonomi di identificare le condizioni stradali e reagire in tempo reale, o l’elaborazione del linguaggio naturale (NLP), che consente di tradurre da una lingua all’altra cogliendone le sfumature.
Questa guida spiega come funzionano le reti neurali, illustra i diversi tipi di reti neurali e dimostra perché costituiscono una tecnologia fondamentale per applicazioni come il riconoscimento facciale e gli assistenti digitali vocali.
Una rete neurale artificiale (ANN) è un modello di machine learning composto da unità di elaborazione interconnesse, chiamate neuroni o nodi, organizzate in strati. Queste reti apprendono dagli esempi elaborando grandi dataset di addestramento per riconoscere automaticamente gli schemi nei dati. Attraverso l’esposizione ripetuta agli esempi, regolano le connessioni tra i diversi neuroni per migliorare l’accuratezza, riuscendo così a identificare pattern complessi e formulare previsioni senza essere programmate esplicitamente.
Diversamente dal software convenzionale, che richiede regole esplicite, le reti neurali eccellono nel riconoscimento dei pattern perché apprendono direttamente dagli esempi. Questo consente di risolvere problemi complessi che coinvolgono dati non strutturati, come immagini, audio e testo, estremamente difficili o impossibili da gestire con la programmazione tradizionale. Questa capacità di riconoscere i pattern è alla base di attività critiche nel mondo reale: identificare oggetti nelle immagini, comprendere il linguaggio umano e rilevare anomalie impercettibili in enormi dataset. La capacità di individuare pattern nascosti in dati disordinati e non strutturati rende le reti neurali indispensabili per i problemi le cui regole sono troppo complesse per essere programmate manualmente.
Le reti neurali sono utilizzate in un’ampia gamma di ambiti. Ecco sei ambiti in cui le ANN hanno avuto un impatto significativo nel mondo reale:
Le reti neurali consentono alle macchine di interpretare e comprendere le informazioni visive contenute in immagini e video. Le applicazioni più diffuse includono il riconoscimento facciale, l’analisi delle immagini mediche, la navigazione dei veicoli autonomi e il controllo qualità nel settore manifatturiero.
Questi sistemi elaborano e comprendono il linguaggio umano e sono alla base della traduzione automatica, dei chatbot, dell’analisi del sentiment e della generazione di testo. I sistemi NLP basati su ANN hanno rivoluzionato il modo in cui interagiamo con la tecnologia attraverso gli assistenti vocali e i bot automatizzati per il servizio clienti.
Le reti neurali analizzano il comportamento e le preferenze degli utenti per suggerire contenuti, prodotti o servizi personalizzati. Piattaforme come Netflix, Amazon e Spotify utilizzano questi sistemi per aumentare l’engagement e le vendite.
Queste reti identificano pattern insoliti che si discostano dal comportamento normale nei flussi di dati. Sono fondamentali per rilevare transazioni finanziarie fraudolente, identificare potenziali minacce alla cybersecurity e prevedere i guasti delle apparecchiature in ambienti industriali.
Le reti neurali consentono ai professionisti sanitari di diagnosticare malattie, definire piani di trattamento e analizzare immagini mediche con una precisione paragonabile a quella degli esperti umani. Inoltre, accelerano la scoperta di farmaci prevedendo le interazioni molecolari e identificando composti promettenti.
Questi sistemi convertono il linguaggio parlato in testo e generano dal testo un parlato dal suono naturale. Le ANN sono alla base di assistenti virtuali, servizi di trascrizione e strumenti di accessibilità per le persone con disabilità.
Tutte le reti neurali sono composte dagli stessi elementi fondamentali. Tra questi:
Le reti neurali sono organizzate in tre tipi di layer: un layer di input che riceve i dati grezzi, uno o più layer nascosti che elaborano le informazioni e un layer di output che produce il risultato finale. Le informazioni avanzano attraverso la rete: ogni layer trasforma i dati e li trasmette al layer successivo. Nei layer nascosti, la rete impara a riconoscere schemi sempre più complessi. Ad esempio, i layer iniziali possono rilevare caratteristiche semplici, come i bordi di un’immagine, mentre quelli più profondi identificano oggetti complessi, come volti o automobili.
I neuroni sono le unità di elaborazione di base che ricevono più input, eseguono un calcolo e trasmettono il risultato al layer successivo. I pesi determinano l’importanza di ogni input nel calcolo di un neurone: sono paragonabili a controlli del volume che amplificano o attenuano ciascun segnale. I bias regolano la sensibilità del neurone e agiscono come valori di riferimento che consentono alla rete di adattarsi a schemi complessi nei dati, rendendo più o meno probabile l’attivazione dei neuroni.
L’addestramento consiste nel mostrare alla rete molti esempi etichettati, consentirle di formulare previsioni e misurare quanto queste si discostano dalle risposte corrette. La rete utilizza questi errori per regolare leggermente pesi e bias nella direzione che migliora l’accuratezza, ripercorrendo a ritroso i layer per determinare quali modifiche saranno più efficaci. Questo processo si ripete migliaia o milioni di volte sull’intero set di dati, finché la rete impara a riconoscere schemi e a formulare previsioni accurate su nuovi dati mai elaborati prima.
Esistono circa sei tipi di reti neurali artificiali, ciascuno ottimizzato per task specifici. Ecco i più utilizzati:
Nelle reti neurali feedforward (FNN), le informazioni fluiscono in un’unica direzione, dall’input all’output, senza tornare indietro. Queste reti sono utilizzate per task di classificazione e regressione di base nei quali la sequenza dei dati di input non è importante. In altre parole, le FNN sono adatte a task come prevedere i prezzi delle abitazioni, classificare le email come spam o riconoscere schemi semplici nei dati tabellari, ma non al riconoscimento vocale o alla classificazione delle immagini.
Le reti neurali convoluzionali (CNN) elaborano dati strutturati a griglia, come le immagini, mediante layer specializzati che analizzano l’input per rilevare schemi locali, come bordi, texture e forme. Sono molto efficienti perché imparano a riconoscere le stesse caratteristiche in qualsiasi punto di un’immagine, anziché considerare completamente indipendente la posizione di ogni pixel. Le CNN sono alla base della maggior parte delle moderne applicazioni di visione artificiale, dal riconoscimento facciale e dall’analisi delle immagini mediche ai sistemi di percezione ambientale dei veicoli autonomi.
Le reti neurali a grafo (GNN) elaborano dati strutturati come una rete di entità connesse, nella quale i nodi rappresentano elementi come utenti, account, prodotti o molecole e gli archi rappresentano le relazioni tra essi. Anziché considerare indipendente ogni punto dati, le GNN apprendono sia dalle caratteristiche dell’entità sia dalla rete di connessioni che la circonda. Questo le rende adatte ai task in cui le relazioni forniscono un importante segnale predittivo, come il rilevamento delle frodi, i sistemi di raccomandazione, la scoperta di farmaci, la risoluzione delle entità e l’analisi della supply chain.
A differenza delle FNN, le reti neurali ricorrenti (RNN) gestiscono dati sequenziali nei quali l’ordine è importante, come testo, parlato o serie temporali. La capacità di ricordare gli input precedenti consente alle RNN di utilizzare il contesto delle fasi precedenti della sequenza per formulare le previsioni correnti. Sono utilizzate in applicazioni come la traduzione automatica, il riconoscimento vocale e la previsione dei prezzi delle azioni in base ai trend storici.
Le reti generative avversarie (GAN) sono costituite da due reti neurali in competizione tra loro: una rete genera dati falsi, come immagini o audio, mentre l’altra cerca di distinguere i dati reali da quelli falsi. Attraverso questa competizione, il generatore diventa sempre più efficace nel creare output realistici in grado di ingannare la rete discriminante. Le GAN sono utilizzate per creare immagini sintetiche, generare voci realistiche, migliorare la risoluzione delle foto e persino creare deepfake.
Le reti transformer utilizzano un meccanismo di attenzione che consente loro di ponderare l’importanza delle diverse parti dell’input quando formulano previsioni, anziché elaborare le informazioni in sequenza. Questa architettura eccelle nella comprensione del contesto e delle relazioni linguistiche ed è quindi ideale per i task in cui le dipendenze a lungo raggio sono importanti. I transformer sono alla base della maggior parte dei moderni modelli linguistici, tra cui chatbot, sistemi di traduzione e strumenti per la generazione di testo come GPT.
Gli autoencoder sono reti che comprimono i dati in una rappresentazione compatta per poi ricostruirli nella forma originale, apprendendone le caratteristiche più importanti. Sono addestrati a ricreare l’input nel modo più accurato possibile, così da acquisire gli schemi essenziali filtrando il rumore. Queste reti vengono utilizzate per comprimere i dati, rimuovere il rumore dalle immagini, rilevare anomalie e generare nuove varianti dei dati esistenti.
È sempre più difficile trovare strumenti digitali che non abbiano alcun legame con le reti neurali. Ecco alcune applicazioni comuni di uso quotidiano rese possibili da questa tecnologia:
Lo smartphone utilizza le reti neurali per identificare il volto e sbloccare il dispositivo, analizzandone i tratti e confrontandoli con i dati memorizzati. Le piattaforme di social media utilizzano una tecnologia simile per riconoscere i volti e taggare automaticamente le persone nelle foto. Anche i sistemi di sicurezza e gli aeroporti utilizzano il riconoscimento facciale per verificare l’identità e controllare gli accessi.
Gli assistenti digitali come Siri, Alexa e Google Assistant utilizzano le reti neurali per convertire le parole pronunciate in testo e comprenderne il contesto. Questi sistemi elaborano gli schemi audio della voce, interpretano l’intenzione e generano risposte appropriate. Migliorano continuamente apprendendo da milioni di interazioni vocali caratterizzate da accenti e stili di parlato diversi.
Le reti neurali analizzano il contenuto, le informazioni sul mittente e gli schemi delle email per stabilire se i messaggi sono legittimi o spam. Imparano a riconoscere caratteristiche comuni dello spam, come link sospetti, oggetti ingannevoli e linguaggio tipico del phishing. Questi filtri si adattano nel tempo ai cambiamenti nelle tattiche degli spammer, proteggendo la casella di posta da messaggi indesiderati e dannosi.
Netflix, Spotify e YouTube utilizzano le reti neurali per analizzare la cronologia di visualizzazione o ascolto e suggerire contenuti di potenziale interesse. Questi sistemi individuano schemi nei contenuti fruiti, confrontano le preferenze con quelle di utenti simili e prevedono quali contenuti susciteranno maggiore interesse. I consigli diventano più personalizzati man mano che il sistema acquisisce informazioni sui gusti nel tempo.
Le app di navigazione come Google Maps e Waze utilizzano le reti neurali per prevedere le condizioni del traffico e suggerire il percorso più veloce verso la destinazione. Questi sistemi analizzano i dati in tempo reale di milioni di utenti, gli schemi storici del traffico e le condizioni stradali attuali per prevedere i ritardi. Aggiornano continuamente le previsioni al variare delle condizioni, consentendo di evitare il traffico e arrivare in orario.
Piattaforme come Facebook, Instagram e YouTube utilizzano le reti neurali per rilevare e rimuovere automaticamente contenuti dannosi come discorsi d’odio, immagini violente e disinformazione. Questi sistemi esaminano ogni giorno milioni di post, immagini e video, segnalando per la revisione umana i contenuti che violano le linee guida della community. Pur essendo tutt’altro che perfetti, questi strumenti di moderazione rendono le piattaforme più sicure intercettando molti contenuti problematici prima che si diffondano su larga scala.
La tastiera dello smartphone utilizza le reti neurali per correggere gli errori ortografici e prevedere la parola che verrà probabilmente digitata. Questi sistemi apprendono dalle abitudini di digitazione e dall’uso comune della lingua per offrire suggerimenti pertinenti. Si adattano allo stile di scrittura personale, comprese le parole e le espressioni utilizzate di frequente.
Le reti neurali artificiali sono la tecnologia fondamentale alla base dell’AI moderna: consentono alle macchine di apprendere dai dati ed eseguire task complessi un tempo considerati esclusivi degli esseri umani. Ispirate al cervello umano, queste reti eccellono nel riconoscere schemi in dati non strutturati come immagini, parlato e testo, senza una programmazione esplicita. Il loro impatto è percepibile quasi ovunque, dal riconoscimento facciale e dagli assistenti vocali ai sistemi di raccomandazione e ai filtri antispam, che utilizzano architetture diverse per risolvere problemi specifici.
La potenza delle ANN deriva dalla capacità di individuare automaticamente schemi in enormi set di dati, regolando milioni di parametri attraverso un processo di apprendimento iterativo. Con la crescita della potenza di calcolo e della disponibilità dei dati, le reti neurali continueranno ad ampliare le proprie capacità e a plasmare il futuro della tecnologia e della società.
I programmi tradizionali seguono regole esplicite scritte per ogni situazione da chi li programma, mentre le reti neurali apprendono schemi dagli esempi e ricavano autonomamente le regole. Per questo le reti neurali gestiscono meglio problemi complessi e poco strutturati, come il riconoscimento dei volti o la comprensione del parlato, per i quali sarebbe impossibile scrivere manualmente tutte le regole.
No, le reti neurali si ispirano solo vagamente ai cervelli biologici e, nella pratica, funzionano in modo molto diverso. Sebbene entrambi utilizzino unità interconnesse per elaborare informazioni, le reti neurali sono modelli matematici eseguiti su computer, non neuroni biologici, e non possiedono coscienza, emozioni o una reale capacità di comprensione.
La quantità di dati necessaria varia notevolmente in base alla complessità del task: i problemi semplici possono richiedere migliaia di esempi, mentre task complessi come la comprensione del linguaggio possono richiederne milioni o miliardi. La regola generale è che pattern più complessi richiedono più dati, anche se tecniche come il transfer learning consentono alle reti di applicare le conoscenze da un’attività all’altra, riducendo i requisiti in termini di dati.
