EO-466

TECH INSIGHT

NEWS/TECHNOLOGIES

- ELETTRONICA OGGI 466 - NOVEMBRE/DICEMBRE 2017

leggermente, mezzo grado in più o in meno per esempio, la temperatura senza che le persone presenti ne risentano,

ma con interessanti ripercussioni sull’assorbimento di energia, visto che l’operazione semplificherebbe il livella-

mento della rete. Un altro esempio interessante è costituito dalla gestione dinamica della modalità di ricarica delle

batterie delle auto elettriche, che può essere di tipo lento oppure rapido. Gestendo a seconda delle necessità della

rete i tempi di ricarica, per esempio differendoli, ma comunque in una finestra temporale definita (entro sei ore, per

esempio, la ricarica deve essere completata) si può, nel caso di grandi gruppi di autoveicoli, ridurre la domanda

di energia in determinati momenti e quindi livellare meglio il sistema. Se, in linea di principio, questi concetti sono

semplici, la loro implementazione non lo è affatto, perché si scontra con l’etereogenità dei componenti utilizzati.

Se prendiamo come esempio una batteria virtuale composta da due batterie fisiche, una che può essere caricata

e scaricata velocemente mentre l’altra lo può fare solo più lentamente, si inizia a capire quali problemi si debbano

affrontare, per esempio su come distribuire la carica della batteria virtuale attraverso le due batterie reali per non

perdere capacità aggregata. Gli esperti comunque concordano sul fatto che la flessibilità delle reti dovrà comunque

aumentare con la crescita delle fonti energetiche rinnovabili e quindi i sistemi di batterie virtuali offrono delle inte-

ressanti prospettive. Utilizzare la domanda di energia da parte delle batterie dei veicoli elettrici oppure dei sistemi

di condizionamento degli edifici come batterie virtuali è considerato infatti un salto concettuale molto importante.

L’autoapprendimento dei robot

Francesco Ferrari

ttualmente, i robot destinati alla produzione sono quasi tutti programmati per eseguire una sequenza di opera-

zioni predeterminata, ma questo tipo di approccio talvolta è relativamente complesso, per esempio in termini

di programmazione, e anche limitante in caso di situazioni impreviste.

Molto più interessante, invece, è un tipo di approccio che prevede l’au-

toapprendimento, come accade per gli esseri umani. Se si utilizzano reti

neurali artificiali, si può emulare infatti il processo di apprendimento

usato dagli esseri umani che avviene tramite la sperimentazione. Le reti

neurali artificiali, nate da oltre 60 anni, usano modelli computazionali

ispirati al sistema di funzionamento del cervello umano e permettono

sia di apprendere durante una fase di addestramento, sia di generaliz-

zare quanto appreso per affrontare situazioni nuove non previste (cioè

la capacità di produrre output ragionevoli con input mai incontrati pri-

ma durante l’apprendimento). Un elemento particolarmente interessan-

te di questo tipo di reti è che, come accade per il cervello umano, la

memoria interna viene aumentata con l’esperienza. Nelle reti neurali,

inoltre, non c’è distinzione tra memoria e area di calcolo e c’è tolleranza

agli errori dato che la memorizzazione avviene in modo diffuso. Questo

tipo di approccio permette di implementare il deep learning, cioè un apprendimento approfondito, che consiste in

un insieme di algoritmi e di tecniche che consentono di individuare degli aspetti di regolarità, per esempio schemi o

modelli, negli insiemi di informazioni non organizzate. In sostanza, questo tipo di apprendimento permette, per esem-

pio, di riconoscere un volto oppure un ostacolo sulla strada (cosa particolarmente interessante per i veicoli a guida

autonoma) oppure dei pattern. Questa caratteristica è tipica dell’uomo che cerca di trovare sempre una regolarità, un

senso, negli stimoli che gli arrivano (anche quando non ce ne sono). Questa caratteristica delle reti neurali artificiali le

rende estremamente interessanti dal punto di vista delle potenzialità, con dei risvolti, per diversi analisti, che possono

essere anche inquietanti. Ne stiamo vedendo un piccolo esempio nella notevole capacità di aggregazione delle infor-

mazioni e di classificazione dei gusti dei singoli utenti (in alcuni casi gli algoritmi possono dedurre informazioni anche

analizzando autonomamente le fotografie inserite sui social media) da parte di siti Internet per proporre pubblicità

mirata. Tornando ai robot, sistemi basati sull’autoapprendimento esistono già da tempo e, per esempio, Google ha

sperimentato un sistema per l’autoprogrammazione dei robot usando 14 bracci robotici in grado di afferrare oggetti

di varie dimensioni, come giocattoli, grazie a un manipolatori con due dita e dotati della possibilità di identificare gli

oggetti tramite una telecamera. La visione monoculare poneva alcune limitazioni per afferrare oggetti, ma questi robot

si sono dimostrati in grado di imparare dai propri errori affinando il coordinamento “occhio-mano” (il report di Goo-

L’esperimento di Google per la raccolta di dati su larga

scala per addestrare il modello di previsione della

CNN (Convolutional Neural Network) comprendeva 14

manipolatori robotici e ha permesso la raccolta di oltre

800.000 tentativi di apprendimento

Fonte: Google