Intelligenza Artificiale #04, imitare il cervello umano, il Neurone Artificiale

NEWS SPAZIO :- Continuiamo il nostro viaggio nell'universo dell'Intelligenza Artificiale (IA), una delle tecnologie esponenziali che più stanno entrando nella nostra vita e che forse più di tutte cambieranno il nostro modo di vivere.

Potete trovare tutti gli articoli di questa serie nella sezione "Intelligenza Artificiale" del blog, al seguente URL

http://newsspazio.blogspot.com/search/label/Intelligenza%20Artificiale

oppure seguite direttamente i link in fondo ad ogni articolo.

Nel precedente post, avevamo visto in dettaglio il riferimento biologico a cui si è ispirato uno dei più significativi filoni di ricerca in IA. Avevamo fatto conoscenza con il neurone, la cellula cerebrale che elabora le informazioni nel nostro sistema nervoso.

Oggi introduco il modello base di neurone artificiale, proposto nella sua forma più semplice da Warren McCulloch e Walter Pitts nel 1943. Il loro articolo scientifico "A Logical Calculus of Ideas Immanent in Nervous Activity" divenne la fondazione di quell'area di IA nota come Reti Neurali Artificiali.

Si tratta di sistemi informatici ispirati più o meno pesantemente al funzionamento del nostro cervello e che rappresentano uno degli approcci più performanti oggi all'interno degli studi di IA. Sono praticamente esplosi negli ultimi 2-3 anni e sono quelli che maggiormente stanno conquistando sempre più carattere dirompente.

Il neurone artificiale
Prima di partire con "l'artificiale", riportiamo alla memoria l'immagine di un neurone "naturale", descritto per l'appunto nel precedente post della serie

Ecco invece qui sotto il suo modello "artificiale" in una sua forma base

(Credit Sergio Sestili)

Non abbiate timore, il suo funzionamento è davvero molto semplice. Vediamolo insieme.

A sinistra avete gli Input (X1, X2, X3), i segnali in ingresso al nostro neurone artificiale, che dovete considerare come un vero e proprio nodo di calcolo, un piccolo computer.

Ad ognuno di questi segnali in ingresso è associato un valore (W1, W2, W3) che ne esprime l'importanza. Si tratta di una specie di peso, maggiore è e maggiore è l'importanza del corrispondente segnale in input per la fase di elaborazione. I pesi, che in Inglese vengono indicati con la parola Weight, hanno un ruolo fondamentale nelle reti neurali artificiali.

La domanda a questo punto è: qual'è l'elaborazione del nostro neurone artificiale? Ebbene, esso effettua una "somma pesata" dei suoi ingressi, in modo molto simile al suo corrispettivo biologico.

In altre parole, ogni ingresso Xi viene moltiplicato per il proprio peso corrispondente Wi, dopodiché tutto viene sommato insieme, così 

SOMMA = W1*X1 + W2*X2 + W3*X3

Il peso Wi immaginatelo un po' come una porta, che "fa passare" all'interno del neurone solamente una certa parte del valore in input Xi, in proporzione all'importanza ed alla forza della connessione tra Xi e neurone artificiale.

  

E adesso l'elaborazione continua così: se la SOMMA di tutti gli input-pesati supera un certo valore di soglia, allora il segnale di uscita del nostro neurone artificiale, detto OUTPUT, viene impostato al valore uno, altrimenti gli viene assegnato il valore zero

(Credit Sergio Sestili)

La notazione più comoda e pratica da utilizzare, pensate al caso in cui vi siano centinaia di segnali in input, è la seguente:

        3

SOMMA = Σ Wi*Xi
         i=1

$$
{\displaystyle \sum }

in cui si utilizza la lettera greca maiuscola Sigma (Σ) per indicare l'operazione di sommatoria.

La notazione relativa all'indice 'i' che vedete nella formula sta a significare che 'i' assume i valori che vanno da 1 a 3. Ecco quindi che ritroviamo W1*X1, W2*X2, W3*X3 legati insieme dall'operazione Σ di somma.

La "modalità" di generare un valore di uscita Y del nostro neurone partendo dalla SOMMA pesata dei suoi ingressi è anche detta Funzione di Attivazione.

Fin qui abbiamo molta somiglianza con quanto accade in una cellula nervosa del nostro cervello. Si sommano infatti tutte le cariche elettriche in input (mediate dalla tipologia della sinapsi, rileggete l'articolo precedente) e quando viene superata una certa soglia si genera un impulso, lo spike. Pensateci, nel nostro neurone artificiale le cose sono molto simili.

Naturalmente il modello artificiale di neurone è molto semplificato rispetto alla realtà biologica, specialmente quello che abbiamo visto. Inoltre negli anni, questo modello matematico ha sviluppato alcune varianti in alcune sue parti, più o meno aderenti al corrispondente modello biologico.

Ad esempio, gli input X e l'output Y possono assumere valore '1' o '0' (binari), oppure possono essere valori numerici (1, 2, 3, ...).

Un altro aspetto fondamentale è relativo alla funzione di attivazione, cioè quella funzione che determina l'output Y sulla base del valore SOMMA. Anche qui sono state utilizzate differenti funzioni matematiche, ciascuna con proprie particolarità.
Stiamo ovviamente facendo un rapido sorvolo su questa area di IA molto affascinante.

Quello che voglio trasmettere è l'idea che il neurone artificiale è di per sé un nodo di elaborazione molto semplice.
Ma il concetto più importante di tutti è che la forza di questo nuova modalità di computazione sta nel fatto di utilizzare non certo un unico neurone artificiale, ma un insieme di tali nodi organizzati opportunamente. Centinaia di neuroni divisi in strati (in inglese, layers) che sono collegati tra loro secondo regole ben precise da centinaia/migliaia di connessioni, sono in grado di produrre un sistema in grado di svolgere compiti anche molto complessi, in un modo totalmente differente rispetto a quella che è la programmazione tradizionale.

Sto introducendo l'argomento del prossimo post, le Reti Neurali Artificiali. Non mancate.

(Parte 3 - Parte 4 - Parte 5)