Reti neurali artificiali

Un’analogia tra cervello e calcolo

Molti hanno sentito parlare di reti neurali artificiali, in inglese Artificial Neural Networks (ANN) o semplicemente Neural Networks. In chi si interessa di neuroscienze, e quindi di neuroni “naturali”, l’argomento suscita curiosità ma anche una sana perplessità. Come accade per molte discipline alla moda, ad esempio la teoria del caos o i frattali, l’entusiasmo di chi divulga raramente si accompagna al rigore: a volte si enunciano concetti tanto profondi quanto vaghi, che lasciano il pubblico in uno stato di affascinata ignoranza. Va detto, però, che si tratta di discipline giovani, in rapida evoluzione e perciò difficili da formalizzare in modo rigoroso.

Per orientarsi conviene partire da una distinzione semplice: una rete neurale artificiale non riproduce il cervello, ma ne imita un principio di funzionamento. È questa analogia, e non una corrispondenza letterale, ad aver dato origine al campo.

Neuroni naturali e neuroni artificiali

Una rete neurale artificiale è un sistema computazionale, cioè un insieme di tecniche pensate per eseguire operazioni su numeri. Il nome deriva dal fatto che la sua struttura e il suo funzionamento traggono ispirazione dal modello comunemente accettato del cervello umano. Fino a un certo livello, infatti, il cervello può essere descritto come una rete di neuroni, le cellule del sistema nervoso, ciascuno dei quali riceve segnali elettrochimici dai vicini attraverso le sinapsi.

Questi segnali costituiscono un input per il neurone, ma non hanno tutti lo stesso peso: vengono ponderati a seconda della “forza” della sinapsi. I segnali ponderati vengono integrati, cioè sommati, e se il risultato supera un certo valore soglia il neurone “spara”, si attiva, e diventa a sua volta portatore di un segnale diretto ad altri neuroni. È noto inoltre che l’apprendimento comporta modifiche continue delle sinapsi, che vengono create, eliminate, rinforzate o indebolite a seconda della quantità di informazione che circola nella rete e del feedback che arriva dall’ambiente esterno in risposta al comportamento della rete stessa.

Come nasce il neurone artificiale

In questa descrizione il comportamento del singolo neurone è estremamente semplice e si presta bene a una formulazione matematica. I pionieri delle ANN ragionarono così: se il cervello, costituito da unità operative e regole tanto semplici, riesce a compiere operazioni di enorme complessità, come riconoscere il volto di una persona nota in una foto, allora un sistema di calcolo basato sulle stesse regole dovrebbe offrire ottime prestazioni. È così, sulla base di un’analogia ispiratrice, che sono nate le ANN.

Una rete neurale artificiale consiste generalmente in un software: i neuroni sono implementati come processori virtuali. Dato un input, un neurone artificiale calcola un output sulla base di una funzione matematica di attivazione. Il segnale in uscita viene comunicato ai neuroni connessi attraverso sinapsi che lo amplificano di un fattore detto “peso sinaptico”. I pesi sinaptici hanno un ruolo decisivo per l’output finale della rete e vengono regolati per riprodurre un determinato comportamento desiderato.

A cosa servono le reti neurali

Le ANN vengono utilizzate in molte discipline scientifiche, soprattutto dove i modelli analitico-matematici non sono disponibili oppure presentano una complessità tale da renderli inutilizzabili. In questi casi una rete neurale può estrarre un modello empirico direttamente dai dati sperimentali. In un certo senso si comportano come interpolatori: a partire da una serie di informazioni sul comportamento di un sistema, spesso incomplete o in parte scorrette perché affette da errori sperimentali, la rete può essere “allenata” (in inglese trained) su quei dati per prevedere il risultato di nuovi esperimenti.

Esempi classici di utilizzo

Il pattern recognition o classificazione consiste nell’assegnare un pattern in entrata, ad esempio un segnale acustico o un’immagine, a una o più classi predefinite. Le applicazioni pratiche sono innumerevoli: classificazione di segnali bioelettrici, come stabilire se un EEG o un ECG è normale, riconoscimento della voce, riconoscimento di un motivo in un’immagine.

Il clustering è un compito simile, ma in questo caso le categorie non sono predefinite e vanno scoperte “scavando” nei dati. L’applicazione classica è il data mining, l’analisi minuziosa di grandi banche dati, ad esempio i dati sui clienti di una compagnia di assicurazioni, per trovare relazioni nascoste e correlazioni interessanti.

Il forecasting, come la previsione dei mercati o le previsioni meteorologiche, riguarda invece i casi in cui occorre prevedere il comportamento futuro di un sistema a partire dalle osservazioni del passato.

Domande frequenti

Una rete neurale artificiale funziona davvero come il cervello?

No, non riproduce il cervello: ne imita un principio di funzionamento. Le ANN nascono da un’analogia ispiratrice con il modo in cui i neuroni biologici ricevono, ponderano e integrano segnali, ma restano sistemi computazionali semplificati e di norma realizzati come software.

Che cos’è il peso sinaptico in una rete artificiale?

È il fattore con cui il segnale in uscita da un neurone viene amplificato prima di raggiungere i neuroni connessi. I pesi sinaptici determinano in larga parte l’output della rete e vengono regolati per riprodurre il comportamento desiderato.

Quando conviene usare una rete neurale invece di un modello matematico?

Soprattutto quando un modello analitico-matematico non è disponibile o è troppo complesso per essere utilizzato. In quei casi la rete estrae un modello empirico dai dati sperimentali, anche se incompleti o affetti da errori.

Che cosa significa “allenare” una rete neurale?

Significa esporla a una serie di dati noti perché ne ricavi le regolarità, regolando i pesi sinaptici. Una volta allenata, la rete può prevedere il risultato di nuovi casi, comportandosi in pratica come un interpolatore.