EO_502

ELETTRONICA OGGI 502 - MAGGIO 2022 32 TECH INSIGHT NEURAL NETS ficativo uno degli input per ottenere l’output (Fig. 1). Il livello nascosto memorizza le informazioni sull’impor- tanza dell’input e crea anche associazioni tra l’impor- tanza delle combinazioni di input. L’ ANN è quindi un componente utilizzato dalle reti neu- rali profonde. Ma, allora, se tutto questo funziona così bene per migliorare un modello, poiché ogni nodo nel- lo strato nascosto realizza sia le associazioni che l’im- portanza dei gradi dell’input per determinare l’output, perché non impilare sempre più strati nascosti l’uno sull’altro e trarre ancora più vantaggio dalla funzione dello strato nascosto? Quindi, in definitiva, la rete profonda può avere più stra- ti nascosti (o profondi). Infatti, il termine “Profonda” si riferisce a un modello di rete costituito da più strati pro- fondi (Fig. 2). Le reti profonde consentono alle prestazioni di un mo- dello di aumentare la precisione e di acquisire una serie di input e fornire un output. L’uso di una rete profonda è semplice come copiare e incollare una riga di codice per ogni strato. Non importa quale piattaforma ML si utiliz- zi; indicare al modello di utilizzare due o migliaia di nodi in ogni strato è molto semplice. Ma l’utilizzo di queste reti profonde crea un problema: come prendono le decisioni questi modelli? Quando si utilizzano questi semplici strumenti, la “spiegabilità” di un modello viene ridotta in modo significativo. La rete profonda consente a un modello di fare autono- mamente generalizzazioni e quindi archiviare tali gene- ralizzazioni in uno strato nascosto che così diventa una “scatola nera” difficilmente indagabile. Anche se i valori nella scatola nera sono noti, è come se non esistessero all’interno di un framework ai fini della comprensione dei meccanismi di elaborazione, ovvero della “spiegabi- lità” del suo funzionamento logico interno. Somma e attivazione all’interno di un singolo neurone All’interno di ciascun neurone i valori di input vengo- no combinati e quindi sommati prima di passarli a una funzione di attivazione. L’output del neurone dipende dal tipo di funzione di attivazione utilizzata. Un valore sommato superiore a zero produrrà un output propor- zionale al valore di input, mentre un input di attivazione pari o inferiore a zero genera un valore di output per quel neurone pari a zero. L’apprendimento si ottiene aggior- nando ripetutamente i valori durante la retro-propaga- zione fino a trovare la combinazione di valori che meglio mappa gli input all’output principale di interesse. Il primo passo nello sviluppo di una rete neurale pro- fonda è determinare il tipo di problema che deve essere risolto. Esempi di tipi di problema includono clustering, regressione, classificazione, previsione, ottimizzazio- ne, visione, utilizzo di sensori e controllo di motori in robotica. In medicina, ad esempio, se lo scopo è preve- dere la mortalità, si ha a che fare con un problema di classificazione, mentre puntare a prevedere un evento futuro rappresenta un problema di previsione. Leggere una radiografia del torace sarebbe un problema di visio- ne. Ciascuno di questi tipi di problemi richiede una DNN progettata specificamente per risolverlo. La natura dei dati disponibili per addestrare una rete neurale profon- da è un’altra considerazione importante. L’apprendi- mento supervisionato può verificarsi se i dati utilizzati per addestrare la DNN sono etichettati, il che significa che l’output è noto (ad esempio la mortalità nel caso di Fig. 2 – Rete neurale profonda a due strati profondi (Fonte: Wiki Trading) Fig. 1 – Rete neurale artificiale