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.
Un team di scienziati del MIT ha messo a punto una particolare tipologia di rete neurale artificiale, capace di apprendere non solo nel momento in cui viene allenata, ma anche nel momento in cui lavora. In particolare, si tratta di algoritmi flessibili – denominati reti “liquide” – capaci di conformarsi ai nuovi dati in ingresso.
L’esito di questa ricerca – che verrà ufficializzato in occasione della conferenza AAAI – dal 2 al 9 febbraio 2021 – sull’intelligenza artificiale, potrebbe dare una spinta importate ai lavori sui processi decisionali, compresi quelli coinvolti nella diagnosi medica 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. La realtà si fonda su sequenze di dati. E anche il nostro modo di percepire. Ma le vicissitudini dei flussi di dati che evolvono continuamente sono difficili da prevedere. Analizzarli 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 studio ha sviluppato una rete neurale artificiale che adegua alla mutevolezza dei sistemi del mondo reale.
Le reti neurali artificiali sono in grado di imitare i meccanismi di elaborazione del cervello umano. Per questo, il gruppo di cercatori ha deciso di ispirarsi al Caenorhabditis elegans, verme lungo circa 1 mm, che vive nel suolo: il suo sistema neurologico possiede soltanto trecento neuroni, ma questo non gli impedisce di dare vita a meccanismi che appaiono complessi.
Il professor Hasani ha messo a punto la nuova rete neurale artificiale focalizzandosi sul modo in cui i (pochi) neuroni del verme di terra funzionano e interagiscono tra loro. In particolare, nell’ambito dei calcoli utilizzati per progettarla, ha consentito la modifica, nel tempo, dei parametri, coerentemente con gli esiti di un insieme di equazioni differenziali.
Ramin fa notare anche che la fluidità della rete sviluppata la porta ad essere 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.
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 ha primeggiato in una serie di test. Più in particolare, ha superato di alcuni punti percentuali le prestazioni di altri algoritmi di sequenze temporali all’avanguardia. 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.