Le prossime reti neurali

Una rete neurale è un modello computazionale utilizzato per risolvere problemi ingegneristici di intelligenza artificiale; essenzialmente è una combinazione di software e hardware dedicato (DSP, Digital Signal Processing).  A livello tecnico, una delle sfide più grandi è la quantità di tempo necessario per addestrare le reti, che può richiedere una notevole quantità di potenza di elaborazione per attività più complesse.

La previsione accurata dei valori futuri dei dati è cruciale per le decisioni strategiche come la pianificazione del budget e l'allocazione efficiente delle risorse. Tuttavia, la previsione può essere molto impegnativa, specialmente quando vi sono elementi di incertezza, tra cui disastri naturali, cambiamenti nelle politiche governative e condizioni meteorologiche.

I più recenti progressi nei sistemi di intelligenza artificiale come i programmi di riconoscimento vocale o facciale sono venuti per gentile concessione di reti neurali, reti fittamente interconnesse di semplici processori di informazioni che imparano a svolgere compiti analizzando enormi serie di dati di addestramento. Le reti neurali consumano molta energia, quindi non sono molto pratici per i dispositivi portatili. La maggior parte delle app per smartphone che si basano su reti neurali semplicemente carica i dati su server internet, che li elaborano e inviano i risultati al telefono. Le reti neurali apprendono i criteri da soli e applicano tale "conoscenza" a operazione di precisione.

I ricercatori del MIT hanno sviluppato un chip speciale che aumenta la velocità dei calcoli della rete neurale da tre a sette volte rispetto ai suoi predecessori, riducendo al contempo il consumo di energia di oltre il 90%. Ciò potrebbe rendere pratico l'uso di reti neurali localmente sugli smartphone o addirittura di incorporarle negli elettrodomestici.

Le reti neurali sono generalmente disposte in strati. Un singolo nodo di elaborazione in uno strato della rete generalmente riceve i dati da diversi nodi nel livello sottostante e li passa ad altri nel livello superiore. Ogni connessione tra i nodi ha il suo "peso". Nel chip, i valori di input di un nodo vengono convertiti in tensioni elettriche e quindi moltiplicati per i pesi appropriati. Sommando i prodotti si tratta semplicemente di combinare le tensioni. Solo le tensioni combinate vengono riconvertite in una rappresentazione digitale e memorizzate per ulteriori elaborazioni. Tutto questo aprirà la possibilità di utilizzare reti neurali convoluzionali più complesse per la classificazione di immagini e video nell'IoT nel prossimo futuro.

 

 

6 Commenti

  1. Giovanni Di Maria Giovanni Di Maria 4 marzo 2019
    • Roberta Fiorucci Roberta Fiorucci 5 marzo 2019
  2. Stefano Lovati Stefano Lovati 4 marzo 2019
  3. Giordana Francesca Brescia Giordana Francesca Brescia 5 marzo 2019
  4. idominici@geoweb.it 19 marzo 2019
    • Stefano Lovati Stefano Lovati 19 marzo 2019

Scrivi un commento

EOS-Academy