Una parte fondamentale del vasto mondo relativo alla Intelligenza Artificiale è legata alle Reti Neurali Artificiali. Un concetto spesso citato, ma non per questo conosciuto dal pubblico generalista. Ecco qualche nozione di base, utile per avere una visione d’insieme su questo argomento.

Cosa sono le Reti Neurali?

In parole molto semplici sono dei modelli di calcolo che si ispirano chiaramente al funzionamento del nostro cervello. 

Strutturalmente sono composte da Livelli (o Layers) che hanno compiti ben delineati.

Le tipologie di livelli sono in sostanza tre: c’è un livello di Input che raccoglie i dati da elaborare, ci sono i livelli nascosti o “Hidden Layers”, che eseguono le operazioni intermedie e un livello di Output, che genera il risultato finale.

Le reti neurali sono costituite da neuroni artificiali o nodi. Questi nodi sono situati all’interno di ogni livello e sono interconnessi tra di loro tramite collegamenti (grazie ai quali avviene lo scambio di informazioni), associati ai cosiddetti “pesi”. I pesi sono valori numerici che modulano l’importanza dei segnali.

Backpropagation

Per ridurre la differenza tra l’output prodotto e quello desiderato, si utilizza un algoritmo chiamato backpropagation, che calcola come modificare i pesi, propagando all’indietro l’errore ottenuto. Siamo  nella fase di “addestramento”. In questo caso aggiornando soprattutto il valore dei pesi, si cerca di ottenere un risultato migliore. Questo si lega anche a uno dei vantaggi delle reti neurali: una volta impostato il modello*, la rete può migliorare autonomamente aggiornando i propri pesi.

Il dato elaborato subisce l’influenza della Funzione di attivazione. O meglio, la funzione di attivazione trasforma l’output del neurone. Questa Funzione  è una sorta di  interruttore intelligente che decide quanto un neurone deve “accendersi” o “spegnersi” al ricevimento di un certo segnale (è una semplificazione notevole, ma è giusto per intenderci…). 

In pratica: 

a) Ogni neurone riceve dei numeri in ingresso.

b) Li combina e ottiene un risultato grezzo.

c) La funzione di attivazione prende quel risultato e lo trasforma in un segnale più utile per la rete.

Senza funzione di attivazione, una rete neurale sarebbe solo una lunga operazione matematica lineare.

Significa che potrebbe imparare solo relazioni semplici, tipo “più X aumenta, più Y aumenta”.

La funzione di attivazione introduce una non linearità.

Le IA generative come ChatGPT lavorano con reti neurali con decine o centinaia di Hidden layers ognuno dei quali è costituito da migliaia di neuroni. 

Bias

E cos’è il Bias delle reti neurali? Il Bias nei modelli delle reti neurali rappresenta un valore che viene aggiunto agli input prima della funzione di attivazione e serve in pratica ad adattarsi meglio. E’ un parametro che ha lo scopo di migliorare l’elaborazione.

Esiste tuttavia un altro tipo di Bias legato ai dati e all’addestramento. In questo caso si fa riferimento a distorsioni o pregiudizi che hanno il potenziale di influenzare negativamente le prestazioni del modello. Ad esempio, dati di input errati o parziali. 

Le reti neurali sono oggi il cuore pulsante dell’intelligenza artificiale. Dalla traduzione automatica al riconoscimento delle immagini, fino ai modelli generativi come ChatGPT, la loro capacità di apprendere schemi complessi sta trasformando il modo in cui interagiamo con la tecnologia. Siamo solo all’inizio: man mano che i modelli diventeranno più efficienti e trasparenti, il loro impatto crescerà ancora. Comprenderne il funzionamento è il primo passo per orientarsi in questo nuovo scenario.

*Quando parliamo di modello, ci riferiamo alla rete neurale nel suo insieme: la sua struttura e i valori che ha imparato durante l’addestramento, che le permettono di svolgere un compito.