33 / 86
DIGITAL
ARTIFICIAL INTELLIGENCE
33
- ELETTRONICA OGGI 467 - GENNAIO/FEBBRAIO 2018
G
razie all’apprendimento automatico (machine
learning) è possibile implementare un’ampia
gamma di applicazioni per aumentare i livel-
li di salvaguardia (safety) e sicurezza (security) delle
persone. La capacità di addestrare i computer a rico-
noscere persone e comportamenti all’interno di imma-
gini e video consente di analizzare le riprese delle tele-
camere di sicurezza e inviare automaticamente allarmi
in presenza di situazioni potenzialmente pericolose. In
questo modo è possibile aumentare i livelli di salva-
guardia e sicurezza nei luoghi pubblici.
Tra le principali applicazioni si possono annoverare
il riconoscimento facciale: in questo caso il sistema
riceve i filmati da una o più telecamere di sicurezza
e confronta le immagini con le fotografie di persone
sospette. Tali sistemi spesso sfruttano l’intelligenza ar-
tificiale (AI – Artificial Intelligence) per acquisire ca-
ratteristiche che consentano il riconoscimento di volti
anche se parzialmente celati da capelli e copricapi.
L’elemento principale alla base della diffusione di tali
sistemi è la capacità di utilizzare questi algoritmi parti-
colarmente avanzati facendoli girare in tempo reale su
soluzioni hardware molto efficienti in termini energe-
tici. Ciò ha comportato un radicale cambiamento nella
modalità con cui gli integratori sviluppano l’architettu-
ra di tali sistemi.
Le reti neurali
Esistono differenti tecniche di apprendimento automa-
tico che possono essere utilizzate per risolvere proble-
mi come quello del riconoscimento facciale. Una delle
aree più promettenti su cui si stanno concentrando le
attività di ricerca&sviluppo è quella delle reti neurali.
Già negli anni ‘80 e ‘90 queste reti sono state utilizzate
per applicazioni di riconoscimento. Esse utilizzavano
un modello semplificato dei neuroni presenti nel cer-
vello per sviluppare funzionalità tipiche dell’intelligen-
za artificiale.
In una rete neurale tradizionale i segnali vengono tra-
sferiti attraverso strati di neuroni artificiali.
Ciascun neurone esegue calcoli in base ai valori for-
niti da ciascuno dei suoi ingressi moltiplicati per un
certo coefficiente denominato peso (weighting factor).
Se la somma di tutti questi ingressi raggiunge un valo-
re di soglia, l’uscita è trasferita ai neuroni dello strato
successivo. In una rete neurale tradizionale, ciascun
neurone di uno strato è connesso a ogni neurone del-
lo strato successivo. Ciò dà origine a una rete densa-
mente interconnessa nella quale i neuroni presenti su
diversi strati ricevono informazioni da tutti gli ingressi.
Il peso di ciascun ingresso determina la misura in cui
ogni dato influenza l’uscita del neurone.
Il vantaggio delle reti neurali è dato dal fatto che esse
sono in grado di apprendere attraverso un processo di
addestramento che calcola i pesi appropriati per cia-
scun neurone di ogni strato. Inizialmente, il processo di
addestramento si è rivelato problematico. Gli algoritmi
di backpropagation (propagazione a ritroso) utilizzati
Logiche programmabili:
la soluzione ideale per
sistemi di sicurezza basati
sull’intelligenza artificiale
Ron Wilson
Intel PSG
Gli FPGA rappresentano la piattaforma più adatta per
supportare le sempre più complesse applicazioni che
abbinano apprendimento automatico ed elaborazione
dell’immagine