Dal MIT reti neurali artificiali che si adattano a flussi di dati in continua evoluzione

I ricercatori del Massachusetts Institute of Technology hanno sviluppato particolari algoritmi AI - denominati reti "liquide" - capaci di adattarsi continuamente a nuovi input di dati. Un’inedita rete neurale artificiale, che potrebbe essere di aiuto nel processo decisionale applicato alla diagnostica per immagini e alla guida autonoma.

TAKEAWAY

  • I ricercatori del MIT hanno sviluppato un particolare tipo di rete neurale artificiale che apprende mentre lavora e non solo durante la sua fase di addestramento, adattandosi continuamente a nuovi input di dati.
  • L’esito di questa ricerca potrebbe dare una spinta ai lavori sui processi decisionali basati su flussi di dati che cambiano nel tempo, compresi quelli coinvolti nella diagnostica per immagini e nella guida autonoma.
  • Si aprono, così, scenari sul futuro controllo dei robot, sulla futura elaborazione del linguaggio naturale e dei dati video.

Le reti neurali artificiali sono modelli computazionali composti da neuroni artificiali che emulano – semplificandola – la rete neurale biologica. Le loro aree di applicazione includono, tra le molteplici, il controllo di veicoli, il controllo di processi, l’identificazione di volti, il riconoscimento di oggetti e la diagnostica.

I ricercatori del MIT – Massachusetts Institute of Technology hanno sviluppato un particolare tipo di rete neurale artificiale, in grado di apprendere mentre lavora e non solo durante la sua fase di addestramento.

Nel dettaglio, si tratta di algoritmi AI flessibili – denominati reti “liquide” – capaci di modificare le equazioni sottostanti per adattarsi continuamente a nuovi input di dati. L’esito di questa ricerca – che verrà presentata alla conferenza AAAI, dal 2 al 9 febbraio 2021, sull’intelligenza artificiale – potrebbe dare una spinta importate ai lavori sui processi decisionali basati su flussi di dati che cambiano nel tempo, compresi quelli coinvolti nella diagnostica per immagini e nella guida autonoma.

È questa la via da seguire per il futuro controllo dei robot, per l’elaborazione del linguaggio naturale, per l’elaborazione di dati video e, in generale, per qualsiasi forma di elaborazione di sequenze di immagini

afferma Ramin Hasani, del MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), autore dello studio insieme a Daniela Rus, direttrice CSAIL, a Mathias Lechner dell’Institute of Science and Technology Austria e a Radu Grosu della Vienna University of Technology.

Reti neurali artificiali flessibili

Secondo Hasani, i dati delle serie temporali sono onnipresenti e vitali per la nostra comprensione del mondo. Il mondo reale è incentrato sulle sequenze di dati. E anche la nostra percezione. In realtà – spiega il professore – non percepiamo immagini, ma “sequenze di immagini”.

Le vicissitudini dei flussi di dati in continua evoluzione possono essere imprevedibili. Ma analizzare questi dati in tempo reale e utilizzarli per anticipare il comportamento futuro, potrà accelerare alcuni ambiti di applicazione, tra cui, ad esempio, la guida autonoma.

Seguendo tale tesi, il team di Hasani ha progettato una rete neurale artificiale in grado di adattarsi alla variabilità dei sistemi del mondo reale.

Le reti neurali artificiali sono algoritmi che riconoscono i modelli, analizzando una serie di esempi di “addestramento”. E sono in grado di imitare i meccanismi di elaborazione del cervello. Per questo, il gruppo di cercatori ha deciso di ispirarsi al Caenorhabditis elegans, verme lungo circa 1 mm, che vive nel suolo: possiede soltanto 302 neuroni nel suo sistema nervoso – spiegano – eppure è capace di generare dinamiche inaspettatamente complesse.

Il professor Hasani ha codificato la nuova rete neurale artificiale prestando particolare attenzione a come i (pochi) neuroni del Caenorhabditis elegans si attivano e comunicano tra loro tramite impulsi elettrici. Nelle equazioni che ha usato per strutturarla, ha permesso ai parametri di cambiare nel tempo in base ai risultati di un insieme di equazioni differenziali:

Questa flessibilità è fondamentale. Il comportamento della maggior parte delle reti neurali artificiali viene corretto dopo la fase di addestramento, il che significa che queste reti non riescono ad adattarsi ai cambiamenti del flusso di dati in entrata. E qui sta la questione

Fa notare Ramin Hasani, aggiungendo anche che la fluidità della sua rete “liquida” la rende più resistente a dati inaspettati o rumorosi, come quando, ad esempio, la pioggia battente oscura la vista di una telecamera installata su un’auto a guida autonoma.

reti neurali artificiali
Grazie all’esiguo numero di neuroni utilizzati dal gruppo di studio del MIT nell’ambito della loro recente ricerca, è più facile riuscire a scrutare la “scatola nera” del processo decisionale della rete neurale artificiale.

I vantaggi delle reti neurali liquide

Ma c’è un altro vantaggio offerto dalla flessibilità della rete liquida: aggira l’imperscrutabilità, comune ad altre reti neurali artificiali, sottolinea l’autore della ricerca.

Solo cambiando la rappresentazione di un neurone (cosa che Hasani ha fatto con le equazioni differenziali), si possono esplorare alcuni gradi di complessità che altrimenti non sarebbe possibile fare.

Grazie all’esiguo numero di neuroni altamente espressivi utilizzati dal team, è più facile riuscire a scrutare la “scatola nera” del processo decisionale della rete e diagnosticare il motivo per cui questa ha effettuato una certa caratterizzazione.

Il modello stesso è più ricco in termini di espressività. E questo potrebbe, in futuro, aiutare gli ingegneri a comprendere sempre più a fondo – e a migliorare – le prestazioni della rete liquida.

Il modello di rete sviluppato dai ricercatori del MIT si è distinto in una serie di test. Più in particolare, ha superato di alcuni punti percentuali le prestazioni di altri algoritmi di sequenze temporali all’avanguardia, specie nella previsione accurata dei valori futuri nei set di dati per applicazioni che vanno dalla chimica atmosferica ai modelli di traffico. Conclude il professor Hasani:

In molte applicazioni, abbiamo visto che le prestazioni sono elevate. E in modo affidabile. Inoltre, le dimensioni ridotte della rete hanno consentito di completare i test senza un elevato costo di elaborazione

Il gruppo di ricercatori intende continuare a migliorare il sistema messo a punto e a prepararlo per l’applicazione industriale. Ma questo è solo l’inizio. Ora la domanda è come estendere queste tipologie di reti neurali artificiali a più applicazioni possibili, tra le quali – in questo momento – spiccano la diagnostica per immagini e la guida autonoma.

Default image
Paola Cozzi
Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione
Articles: 136