Le reti neurali sono sistemi di calcolo con nodi interconnessi, che funzionano in modo molto simile ai neuroni del cervello umano. Utilizzando gli algoritmi, possono riconoscere modelli e correlazioni nascoste nei dati non strutturati, raggrupparli e classificarli e, con il tempo, apprendere e migliorare continuamente.
Storia delle reti neurali
La prima rete neurale fu concepita da Warren McCulloch e Walter Pitts nel 1943. In quell’anno, i due pionieri pubblicarono un importante articolo sul funzionamento dei neuroni e diedero successivamente corpo alle loro idee, creando una semplice rete neurale per mezzo di circuiti elettrici.
Questo modello rivoluzionario aprì la strada alla ricerca sulle reti neurali in due aree:
Processi biologici nel cervello
Applicazione delle reti neurali all’ intelligenza artificiale (IA).
La ricerca sull'IA subì una rapida accelerazione nel 1975, quando Kunihiko Fukushima sviluppò la prima vera rete neurale multistrato.
L'obiettivo originario dell'approccio alla rete neurale era quello di creare un sistema computazionale in grado di risolvere problemi, allo stesso modo del cervello umano. Tuttavia, nel corso del tempo, i ricercatori hanno spostato la loro attenzione sull'utilizzo di reti neurali per portare a termine compiti specifici, deviando da un approccio strettamente biologico. Da allora, le reti neurali hanno supportato diverse attività, tra cui la computer vision, il riconoscimento vocale, la traduzione automatica, il filtraggio dei social network, i giochi da tavolo e i videogiochi, nonché la diagnosi medica.
Man mano che il volume dei dati strutturati e non strutturati è aumenta, acquisendo la dimensione di big data, sono stati sviluppati sistemi di deep learning, che sono essenzialmente reti neurali dotate di molti strati. Il deep learning consente l'acquisizione e l'estrazione di dati sempre maggiori, inclusi i dati non strutturati.
Perché le reti neurali sono importanti?
Le reti neurali sono particolarmente adatte per aiutare le persone a risolvere problemi complessi in situazioni reali. Infatti, possono acquisire e modellare relazioni non lineari e complesse tra input e output, fare generalizzazioni e inferenze, rivelare relazioni e schemi nascosti o fare previsioni, e modellare dati altamente volatili — quali ad esempio le serie temporali finanziarie — e varianze, su cui si basa la previsione di eventi rari, come il rilevamento delle frodi. Ne consegue che le reti neurali possono migliorare i processi decisionali in aree quali:
- Rilevamento di frodi su carte di credito e assicurazione sanitaria
- Ottimizzazione della logistica per le reti di trasporto
- Riconoscimento dei caratteri e della voce, noto anche come natural language processing, o elaborazione del linguaggio naturale
- Diagnosi mediche
- Marketing mirato
- Previsioni finanziarie sui prezzi delle azioni, valute, opzioni, futures, bancarotta e rating obbligazionari
- Sistemi di controllo robotici
- Previsione del carico elettrico e della domanda di energia
- Controllo di processi e di qualità
- Identificazione dei composti chimici
- Valutazione dell'ecosistema
- Computer vision per la lettura di foto e video non elaborati (ad esempio, nell'imaging medico, nella robotica e nel riconoscimento facciale)
Il nostro obiettivo primario rispetto alle reti neurali, o modelli, è di raggiungere il livello di precisione dell’uomo. Finché non arrivi a quel livello, saprai sempre che puoi fare di più. Ivan Gomez Data Scientist e Consulente Zencos
Tipologie di reti neurali
Esistono diversi tipologie di reti neurali profonde e ognuna presenta vantaggi e svantaggi, a seconda dell'uso. Ecco alcuni esempi:
- Le reti neurali convoluzionali (CNN, Convolutional Neural Network) comprendono cinque tipi di strati: input, convolution, pooling, fully connected e output. Ogni strato ha uno scopo specifico, come riassumere, connettere o attivare. Le reti neurali convoluzionali hanno diffuso la classificazione delle immagini e il rilevamento degli oggetti. Tuttavia, le CNN sono state applicate anche ad altre aree, come il natural language processing e le previsioni.
- Le reti neurali ricorrenti (RNN, Recurrent Neural Network) utilizzano informazioni sequenziali, come dati indicizzati in ordine di tempo provenienti da un dispositivo a sensore o una frase orale, composti da una sequenza di termini. A differenza delle reti neurali tradizionali, gli input di una rete neurale ricorrente non sono indipendenti l'uno dall’altro. Inoltre, l'output per ciascun elemento dipende dai calcoli sui suoi elementi precedenti. Le RNN vengono utilizzate nelle applicazioni per le previsioni e le serie temporali, nell'analisi del sentiment e in altre applicazioni di testo.
- Le reti neurali feedforward, in cui ogni percettrone di uno strato è connesso a ciascun percettrone dello strato successivo e le informazioni avanzano in un’unica direzione, senza cicli di feedback.
- Le reti neurali autoencoder vengono utilizzate per creare astrazioni chiamate codificatori, originate da un determinato insieme di input. Sebbene siano simili alle reti neurali più tradizionali, gli autoencoder cercano di modellare gli input stessi e quindi il metodo è considerato non supervisionato. La premessa degli autoencoder è quella di desensibilizzare ciò che è irrilevante e sensibilizzare ciò che è rilevante. Man mano che gli strati aumentano, vengono formulate astrazioni aggiuntive a livelli superiori (strati più vicini al punto in cui viene introdotto uno strato di decodifica). Queste astrazioni, perciò, possono essere utilizzate da classificatori lineari o non lineari.
Le reti neurali nel mondo di oggi
Le reti neurali stanno cambiando il modo in cui gli individui e le organizzazioni interagiscono con i sistemi, risolvono problemi, prendono decisioni e sviluppano previsioni. Scopri di più sull'impatto delle reti neurali.
Le reti neurali per la salvaguardia degli animali
Un appassionato data scientist utilizza le reti neurali per rilevare la tubercolosi negli elefanti. Scopri come la sua ricerca può aiutare a prevenire la diffusione della tubercolosi.
Impara a modellare una rete neurale
Scopri come scegliere l'architettura di rete neurale più appropriata, come determinare il metodo di formazione più attinente, come implementare modelli di rete neurale in un ambiente di calcolo distribuito e come costruire reti neurali personalizzate utilizzando la procedura NEURAL.
Come fare deep learning con SAS®
Hai bisogno di una panoramica più approfondita sulle tecniche e le applicazioni di deep learning? Leggi questo documento e scopri come SAS supporta la creazione di modelli di reti neurali profonde.
Chi utilizza le reti neurali?
I sistemi di deep learning, e quindi le reti neurali che li abilitano, sono utilizzati strategicamente in molti settori e aree aziendali.
Life Science
Le organizzazioni sanitarie e le aziende che operano nel settore del Life Science utilizzano le reti neurali per consentire la diagnostica predittiva, l'imaging biomedico e il monitoraggio della salute.
Settore manifatturiero
Le aziende del settore energetico e manifatturiero utilizzano le reti neurali per ottimizzare l’approvvigionamento, automatizzare il rilevamento dei difetti e prevedere il fabbisogno energetico.
Settore bancario
Le banche utilizzano le reti neurali per rilevare le frodi, condurre analisi del credito e automatizzare i servizi di consulenza finanziaria.
Pubblica Amministrazione
Gli enti pubblici utilizzano le reti neurali per supportare le Smart City, la security intelligence e il riconoscimento facciale.
Commercio al dettaglio
Il settore del retail utilizza le reti neurali per alimentare chatbots di conversazione, migliorare e approfondire la customer intelligence ed eseguire analisi di rete.
Scopri di più sui settori che utilizzano questa tecnologia
- Banche
- Mercati Finanziari
- Casinò
- Istruzione Superiore
- Assistenza sanitaria
- Alberghi
- Assicurazioni
- Life Science
- Manifatturiero
- Media
- Settore combustibili fossili
- Settore Pubblico
- Commercio al Dettaglio
- Piccole e Medie Imprese
- Analytics per lo Sport
- Telecomunicazioni, Media e Tecnologia
- Viaggi e Trasporti
- Settore energetico
Le reti neurali hanno la capacità di identificare le anomalie. In futuro, potremo utilizzarle per fornire ai medici un secondo parere, ad esempio, su una diagnosi di cancro o per individuare un problema sconosciuto. Inoltre, saremo in grado di offrire questo secondo parere più velocemente e con maggiore precisione. Leigh Ann Herhold Data Scientist e Consulente Zencos
Creare un modello di rete neurale
In questo video scoprirai come utilizzare SAS® Visual Data Mining e Machine Learning nel contesto delle reti neurali. Esamineremo quali sono gli elementi chiave che spingono i visitatori ad accedere al sito web di un’azienda IT e a scaricare un documento dal suddetto sito.
Come funzionano le reti neurali
Una rete neurale semplice comprende uno strato di input, uno strato di output (o target) e, nel mezzo, uno strato nascosto. Gli strati sono connessi gli uni agli altri tramite nodi. L’insieme delle connessioni tra i vari nodi dà vita a una “rete”, detta appunto rete neurale.
Ciascun nodo è modellato proprio come un neurone del cervello umano e ne imita il comportamento, attivandosi quando riceve stimoli o input sufficienti. Questa attivazione si diffonde in tutta la rete, creando una risposta agli stimoli (output). Le connessioni tra questi neuroni artificiali agiscono come semplici sinapsi, consentendo la trasmissione di segnali dall'uno dall'altro. I segnali attraversano gli strati e vengono elaborati lungo tutto il percorso, dallo strato di input fino a quello di output.
Quando vengono posti innanzi a una richiesta o a un problema da risolvere, i neuroni eseguono calcoli matematici per verificare se le informazioni ricevute sono sufficienti per attivare il neurone successivo. In altre parole, i neuroni leggono tutti i dati e scoprono dove sussistono le relazioni più forti. In una rete elementare, i dati ricevuti in ingresso vengono sommati e, se la somma supera un certo valore di soglia, il neurone “si accende” attivando i neuroni a cui è connesso.
Aumentando il numero di strati nascosti all'interno di una rete neurale, si formano reti neurali profonde. Tramite queste elaborate architetture di deep learning , i data scientist portano le reti neurali semplici a un livello superiore e abilitano il machine learning. Questo processo consente al computer di apprendere autonomamente, identificando modelli ed effettuando scelte. Inoltre, lo addestra a emulare con precisione alcune attività umane, come riconoscere il linguaggio parlato, identificare le immagini o fare previsioni.
Proviamo ora a visualizzare questo processo. I dati vengono immessi in una rete neurale attraverso lo strato di input, che comunica con gli strati nascosti. Ѐ proprio qui, negli strati nascosti, che ha luogo l'elaborazione, attraverso un sistema di connessioni ponderate. I nodi nello strato nascosto, in pratica, combinano i dati provenienti dallo strato di input con una serie di coefficienti e assegnano a ciascuno di essi un peso appropriato, affinché possano essere sommati. Successivamente, questa somma viene fatta passare attraverso la funzione di attivazione di un nodo, che determina in che misura un segnale deve avanzare ancora attraverso la rete e influenzare il risultato finale. Da ultimo, gli strati nascosti si collegano allo strato di output, dove confluisce il prodotto dell’elaborazione.
Passi successivi
Quale ruolo giocano le reti neurali nell’intelligenza artificiale
Prodotto in primo piano per reti neurali
SAS® Visual Data Mining e Machine Learning
Supporta il processo di data mining e di apprendimento automatico end-to-end, con un'interfaccia visiva (e di programmazione) completa, che gestisce tutte le attività del ciclo di vita analitico.
Letture consigliate
-
ARTICOLO
Analytics leads to lifesaving cancer therapiesA long-shot treatment offers hope to 10-year-old Harrison after he learns the DNA profile of his cancer is resistant to chemo. Find out how data and analytics play a role in cancer research and cancer treatments that are saving lives.
-
ARTICOLO
Three steps for conquering the last mile of analyticsPutting your analytical models into production can be the most difficult part of the analytics journey. It’s no surprise that this last mile of analytics – bringing models into deployment – is the hardest part of digital transformation initiatives for organizations to master, yet it’s the most crucial.
-
ARTICOLO
Artificial intelligence, machine learning, deep learning and moreArtificial intelligence, machine learning and deep learning are set to change the way we live and work. How do they relate and how are they changing our world?