EMB_84

EMBEDDED 84 • MAGGIO • 2022 37 TINYML | HARDWARE duare e comprende la complessità che si cela dietro la scoperta di un nuovo buco nero oppure il numero di permutazioni degli eventi meteorologici passati usato per determinare le previsioni giornaliere. Un gran nu- mero di attività complesse coinvolge set di dati (dataset) di grandi dimensioni, parecchi tipi di algoritmi e una po- tenza di calcolo significativa. Un esame più approfondi- to dell’apprendimento automatico porterà all’individua- zione di differenti tipologie di apprendimento, ciascuna delle quali adatta per lo svolgimento di compiti specifici. Anche se l’analisi approfondita delle varie tipologie esu- la dagli scopi di questo articolo, in questa sede si vuole solo segnalare che i tipi di apprendimento rientrano in queste quattro categorie: supervisionato, non supervi- sionato, semi-supervisionato e per rinforzo. Una rete neurale è un elemento fondamentale di qualsiasi applicazione di apprendimento automatico. In linea gene- rale, una rete neurale può essere descritta come un tenta- tivo di replicare la funzione dei neuroni presenti nel cer- vello umano mediante unmodello matematico. Il modello in questione utilizza algoritmi per dedurre le probabilità che si verifichi un risultato: in un processo di riconosci- mento di immagini, a esempio, la probabilità che l’imma- gine sia quella di un cane è pari al 95%. Esistono differenti tipi di reti neurali, per cui si incontreranno termini quali reti neurali convoluzionali (CNN – Convolutional Neu- ral Network) e reti neurali ricorrenti (RNN – Recurrent Neural Network). Ciascun tipo di rete neurale prevede insiemi differenti di strati (layer) di interconnessione, che li rendono più adatti allo svolgimento di compiti specifici. Nell’apprendimento supervisionato una rete neurale vie- ne addestrata mediante estesi set di dati di addestramen- to per consentire a un algoritmo di dedurre un risultato. Nel caso del riconoscimento di immagini, a esempio, una rete CNN rappresenta la soluzione più adatta. Per iden- tificare differenti tipi di frutti, è necessario “alimentare” l’algoritmo della rete neurale con migliaia di immagini etichettate di differenti tipi di frutti ripresi da differenti angolazioni e caratterizzati da diversi gradi di maturazio- ne. L’algoritmo cerca quindi di individuare quelle specifi- che caratteristiche che lo aiutino a distinguere un tipo di frutto da un altro. La fase di addestramento è di natura iterativa e può comportare la “messa a punto” dell’algo- ritmo per ottenere le maggiori probabilità di successo nel momento in cui si effettua il confronto con un dataset di test di immagini. Fig. 2 – Molte aziende ora prevedono un regime di manutenzione predittiva