i computer sono in grado di eseguire elaborazioni o procedure automatiche in modo molto efficiente...
TRANSCRIPT
I computer sono in grado di eseguire elaborazioni o procedure automatiche in modo molto efficiente
Es:calcoli matematicimemorizzazione o recupero informazioni
Risultano estremamente difficili o impossibili applicazioni in cui è necessario:
ragionamento simbolicomodellazione ed estrazione della conoscenzapercezioneautoapprendimento
Per un computer è difficile riconoscere gli oggetti presenti in un’immagine perchèa partire dai contorni dovuti alle variazioni di luminosità, non riesce a raggrupparli per definire gli oggettiQuesto processo, detto di segmentazione, è molto difficile da realizzare per un sistema puramente automatico perchè necessita della conoscenza a priori riguardo agli oggetti.
Ecco perché non esistono sistemi di guida automatica
Riconoscimento vocale
addestramento
riconoscimento
Le reti neurali artificiali: un modo di implementare l’intelligenza artificiale
L'obiettivo dell'intelligenza artificiale è quello di emulare processi che, quando fatti da umani, richiedono cognizione.
Questo viene inseguito, e in parte ottenuto, attraverso algoritmi la cui classe principale è costituita dalle reti neurali artificiali.Le reti neurali artificiali imitano la struttura e la topologia del cervello umano per imitarne il funzionamento.
A un sistema intelligente si chiede di:• memorizzare ed elaborare la conoscenza (es: raccogliere la conoscenza dei medici
luminari)• applicare la conoscenza per risolvere problemi (es: produrre diagnosi più accurate)• aumentare la propria conoscenza tramite l'esperienza (es: imparare dagli errori e dai successi: retroazione di ulteriori diagnosi)
Una rete neurale è strutturalmente un insieme di elementi, detti neuroni artificiali, interconnessi tra loro
Il neurone artificiale
w1
w2
w3
wn
x1
x2
x3
xn
b
biasweightsinputs
f
non linearfunction
)(1
bfyn
iii xw
assoni sinapsi
dendritiassone
corpo
u
P
UNITÀ LINEARE
u
1
Soglia P
UNITÀ A SOGLIA
strato di neuroni di ingresso
strato di neuroni nascosto o intermedio
strato di neuroni di uscita
uscite
Similitudine tra una rete neurale biologica e una artificiale
Struttura di una rete neurale
nodi
Nei computer, il software inteso come insieme di istruzioni, è eseguito dall’hardware
Nell’uomo, la mente è il software che gira su un hardware biologico: il cervello
In linea di principio la mente può essere riprodotta su qualsiasi macchina non biologica
Le reti neurali artificiali sono un insieme di istruzioni eseguite da un sistema che• storicamente è il processore di un computer
• nel futuro saranno i processori ottici
• e sistemi ibridi neuroni biologici – circuiti elettronici
Reti neuraliartificiali
Cervelloumano
Elaboratoreelettronico
1 evento / ms per neurone1 milione eventi / ms
100 miliardi di neuroni ognuno dei quali comunica con altri diecimila neuroni
Centinaia o migliaia di neuroni ognuno dei quali comunica con decine o centinaia di altri neuroni
Rapido nell’eseguire operazioni logico matematiche,inefficiente nei problemi della vita quotidiana (es: pattern recognition, decisioni)
elaborazione seriale elaborazione parallela
programmato per svolgere un compito preciso
un solo elemento di elaborazione più elementi di elaborazionepiù elementi di elaborazione
i pesi delle connessioni sono utilizzati per memorizzare
impara dagli sbagliimpara dagli sbagli
Rapido nelle logica sfumata, processi decisionali, riconoscimento forme
Dipendente dalla realizzazione (elettronica, ottica o biologica)
Elaborazione generalmente seriale
Apprendimento
Implementare una rete neurale significa stabilire la sua struttura: numero degli strati, numero dei neuroni per ciascun strato, topologia delle connessioni, condizioni iniziali, tipo di funzioni matematiche implementate dai neuroni di ciascun strato, metodo di apprendimento e verifica
La rete appena implementata non sa fare nulla
Prima di essere operativa deve apprendere, questo avviene mediante la somministrazione di esempi di correlazioni ingresso-uscita
L’apprendimento consiste nella modifica dei pesi associati ad ogni connessione e nella modifica del bias di ciascun neurone, quest’ultimo stabilisce il punto di lavoro del neurone nella propria funzione non lineare
La verifica dell’apprendimento avviene mediante la somministrazione di ingressi (stimoli) che la rete non aveva mai visto in fase di apprendimento e di cui noi ci aspettiamo uscite (risposte o reazioni) precise.
Problemi di apprendimento
Può accadere che dopo l’apprendimento le prestazioni non siano soddisfacenti, perché?
Troppi pochi esempi in fase di addestramento
Esempi polarizzati (distribuzione non uniforme dei casi)
Esempi contraddittori
Topologia e complessità della rete non adeguati al problema
Ripetere l’apprendimento con diverse condizioni iniziali
Non sono state raggiunte le prestazioni migliori a causa della funzione di addestramento non adeguata
Altre caratteristiche
Risoluzione di problemi complessi e non lineari
Problemi per cui non si conoscono le relazioni ingresso-uscita ma si hanno a disposizione solo dei casi
Capacità di memorizzare
Risposta continua ad esclusione di un numero finito di discontinuità ad input simili la rete risponde con output simili
Tolleranza agli errori scostamenti non significativi dei valori di input vengono assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o al decadimento del segnale
Tolleranza ai guasti La presenza di molte unità di processamento parallele fa si che l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze non irreparabili
Ai fini dell’apprendimento dobbiamo fornire alla rete neurale tanti più esempi quanto più fortemente non lineare è il sistema da modellare.
Non sappiamo a priori quale sia la miglior topologia (numero di nodi, di strati, collegamenti fra nodi e tipo di funzioni che devono implementare i nodi di ciascun strato) da assegnare alla rete neurale affinché modellizzi al meglio il nostro sistema.
Una volta che la rete funziona, non sappiamo nulla del suo modello interno, in altre parole non fornisce spiegazioni sul funzionamento del sistema che stiamo studiando. La rete è per noi una scatola nera. I problemi non vengono capiti ma risolti.
Svantaggi dell’utilizzo delle reti neurali:
ingresso uscita
?
Applicazioni
Compressione dei dati (non secondo una codifica o una corrispondenza esatta)Eliminazione del rumore dai dati o dai segnaliRiconoscimento segnali sonarMacchina da scrivere fonetica (dettatura dei testi al computer)Riconoscimento di caratteri (attribuire un significato ad una forma)Sistemi di guida automatica (sistemi missilistici, robot microspia)Classificazione di immagini (gli stessi oggetti cambiano colore, luminosità, tessitura a
causa delle ombre, dell’illuminazione, della verniciatura…)Analisi finanziarie (previsioni)Medicina (migliorare le diagnosi)
Il presente: Anche se poco se ne parla, la ricerca in questo campo è particolarmente attiva
IEEE Transaction on RoboticsIEEE Transaction on Fuzzy SystemsIEEE Transaction on Neural NetworksIEEE Transaction on Image processingIEEE Transaction on NanoBioscienceIEEE Transaction on NanoTechnologyIEEE Transaction on Robotics and AutomationIEEE Transaction on Evolutionary ComputationIEEE Transaction on Systems, Man and CyberneticsIEEE Transaction on Parallel and Distribuited SystemsIEEE Transaction on Pattern Analysis and Machine IntelligenceIEEE Transaction on Neural Systems and Rehabilitation Engineering
Il futuro ?
Speriamo che acquistino autocoscienza il più tardi possibile.