Le reti neurali sono state un concetto fondamentale che ha contribuito in modo decisivo ai successi dell'intelligenza artificiale (AI), del machine learning (ML) e del deep learning (DL) negli ultimi anni.
Relativamente agli esseri umani, le reti neurali sono connessioni di neuroni che formano un contesto specifico all'interno del sistema nervoso. Il cervello umano è fondamentalmente un'enorme rete di reti neurali. In informatica e nel campo dell'intelligenza artificiale (AI), ma anche nella robotica, si parla di reti neurali artificiali quando gli esseri umani servono da modello e sono tecnicamente emulati e simulati.
Di cosa sono fatte le reti neurali artificiali?
Una rete neurale artificiale consiste di diversi strati - strati di input e di output, strati nascosti in mezzo - conosciuti come strati in inglese. Gli strati, a loro volta, sono composti da numerosi nodi, che possono essere paragonati ai neuroni del cervello umano. L'informazione viene elaborata in questi nodi, ma non sotto forma di stimoli elettrici come nel cervello, ma sotto forma di valori numerici.
Schema funzionale basato su una foto
Se un'immagine con 1.024 x 1.024 pixel deve essere elaborata in modalità RGB con una rete neurale, questo risulta in un numero di 1.024 x 1.024 x 3 = 3.145.728 valori di input. Questi 3 milioni di valori sono inviati dal livello di input da ogni nodo a tutti i nodi collegati ad esso. Affinché l'apprendimento avvenga, ad ogni connessione del nodo viene dato un bias e un peso (un neurone aggiuntivo) per interpretare e valutare le informazioni ricevute.
Ora, i valori di input importanti vengono rafforzati con una modifica dei pesi e dei bias per una classificazione non ambigua, mentre altri vengono indeboliti. In seguito, l'immagine può essere utilizzata per la corrispondenza con soggetti simili, per esempio.
Apprendimento profondo con reti neurali
L'apprendimento profondo avviene quando le reti neurali hanno più di uno strato nascosto. Più ce ne sono, più profondo è l'apprendimento. Aggiungete dei nodi in ogni strato e potrete andare in largo. Il termine tecnico è apprendimento ampio. Le reti neurali possono essere ottimizzate per diversi scopi combinando diversi strati profondi e larghi e provando delle varianti. Ulteriori ottimizzazioni sorgono con architetture individuali nel Deep Learning.
Aree tipiche di applicazione per le reti neurali
Ci sono molti usi possibili per le reti neurali, specialmente dove devono essere processate grandi quantità di dati. Alcuni esempi sono:
- Bild- und Mustererkennung,
- Spracherkennung und -synthese,
- Schrifterkennung,
- Frühwarnsysteme,
- Zeitreihenanalysen,
- Simulationen und Prognosen für komplexe Systeme,
- maschinenbasiertes Übersetzen,
- Berechnen von Wirtschaftsmodellen,
- Einsatz in biometrischen Systemen.