 |
|
|
|
|
La teoria delle
Reti Neurali Artificali (RNA)
costituisce l’evoluzione dell’
Intelligenza Artificiale (AI) e,
allo stato attuale, lo strumento di
forecasting più suggestivo e
futuristico.
Il fondamento della teoria delle RN è
ambizioso in quanto si basa sull’idea di
simulazione del processo di
apprendimento e di formulazione delle
decisioni dell’essere umano.
L’uomo, sin dai suoi primi giorni di
vita, realizza le sue esperienze, riceve
dei feedback, elabora le informazioni
dando a ciascuna di esse il “peso”
opportuno e sulla base di queste compie
delle azioni. A seguito di tali azioni
l’uomo riceve altri feedback e
arricchisce sia il proprio bagaglio di
informazioni sia il metodo con cui
elaborarle attivando di fatto un ciclo
continuo di azioni e reazioni
identificabile come processo di
apprendimento.
Analogamente, nella sua fase costitutiva
una RNA elabora un insieme di sistemi
“input-output” predefiniti alfine di
individuare le relazioni sconosciute che
intercorrono tra un certo dato (azione)
e un certo risultato (reazione).
Portato a termine e affinato il processo
di apprendimento di una RNA, il sistema
è in grado di produrre delle previsioni
su dati ignoti a partire da determinate
assunzioni conosciute.
I campi in cui si riscontra un uso
intensivo delle RNA sono principalmente
quello della meteorologia, quello
finanziario e quello delle
scienze sociali. |
|
Evoluzione delle
RNA
La teoria dell RNA nasce in virtù del
contributo di McCulloch e
Pitts che per primi nel 1943
proposero il neurone artificiale,
costituto essenzialmente da un
combinatore lineare a soglia in grado di
calcolare semplici funzioni booleane.
Nel 1958, Rosenblatt introduce il
primo schema di rete neurale, detto
perceptron (percettrone), per il
riconoscimento e la classificazione di
forme, allo scopo di fornire
un'interpretazione dell'organizzazione
generale dei sistemi biologici.
Il modello di Rosenblatt costituisce un
progresso decisivo rispetto al modello
binario di McCulloch e Pitts, perché i
suoi pesi sinaptici sono variabili e
quindi il percettrone è in grado di
apprendere.
Alla fine degli anni ‘60 Minsky e
Papert mostrano alcuni limiti
operativi delle semplici reti a due
strati basate sui percettroni dando
luogo ad oltre 10 anni di rallentamento
degli studi e delle ricerche.
Un sussulto però si è avuto nei primi
anni ’70 gazie ai contributi di
Werbos che introdusse le reti
Multi-Layers Perceptron (MLP) e a
Rumelhart, Hinton e
Williams che elaborarono l’algoritmo
di Error Backpropagation (retropropagazione
dell’errore) finalizzato
all’addestramento dell MLP.
La rete di
Hopfield, introdotta dall'omonimo
fisico nel 1982, costituisce
il primo esempio di rete neurale
ricorrente simmetrica, ovvero un modello
neurale in cui è presente un flusso
bidirezionale d'informazioni. Le
applicazioni delle reti di Hopfield
riguardano principalmente la
realizzazione di memorie associative,
resistenti all'alterazione delle
condizioni operative, e la soluzione di
problemi d'ottimizzazione
combinatoriale.
|
|
Tal contributo è
stato raccolto e perfezionato da
Elman che nel 1990 ha presentato
un noto esempio di semplice rete
ricorrente che costituisce una
variazione sul tema del percettrone
multistrato.
La particolarità di questo modello è
dato dal fatto che la rete tiene
conto del suo stato precedente, cosa
che le consente di svolgere compiti
di previsione di sequenze temporali
che sono difficilmente alla portata
dei percettroni multistrato
convenzionali. |
|
|
|
|
|
|
|
|
|
|
|
|
|
