Reti neurali artificiali: cosa sono e a cosa servono

Reti Neurali Artificiali, Artificial Neural Networks (ANN) in inglese, o semplicemente Neural Networks: per chi si interessa di neuroscienze, e quindi ai neuroni “naturali”, l’argomento suscita curiosita’ e una certa legittima perplessita’. Questo articolo non pretende di spiegare nel dettaglio come funzionano le reti neurali, ma di rispondere a due domande fondamentali che il neuroscienziato non matematico puo’ porsi: qual e’ la relazione tra le ANN e il comportamento dei neuroni biologici, e a cosa servono concretamente.

Una disciplina giovane, tra entusiasmo e rigore

Come accade spesso per le discipline alla moda, dalla teoria del caos ai frattali, l’entusiasmo di chi divulga raramente si accompagna al rigore. Anzi: a volte si enunciano concetti tanto profondi quanto vaghi, finendo per confondere il pubblico e lasciarlo in uno stato di affascinata ignoranza. Va detto, pero’, che si tratta di discipline giovani, in rapida evoluzione e quindi difficili da formalizzare in modo rigoroso. Proprio per questo conviene partire dalle basi, senza scorciatoie.

Neuroni naturali e neuroni artificiali

Una rete neurale artificiale e’ un sistema computazionale, cioe’ un insieme di tecniche volto a eseguire operazioni su dei numeri. Il nome deriva dal fatto che la struttura e il funzionamento del sistema traggono ispirazione dal modello comunemente accettato del cervello umano. L’analogia, come vedremo, e’ suggestiva ma va maneggiata con cautela.

Come funziona un neurone biologico

Fino a un certo livello, il cervello puo’ essere considerato come una rete di neuroni, le cellule del sistema nervoso. Ciascun neurone riceve segnali elettrochimici dai suoi vicini attraverso le sinapsi. Questi segnali costituiscono un input, ma non hanno tutti la stessa importanza: vengono ponderati a seconda della “forza” della sinapsi. I segnali ponderati vengono integrati, cioe’ sommati, e se il risultato oltrepassa un certo valore soglia il neurone “spara”, si attiva e diventa a sua volta portatore di un segnale che verra’ comunicato ad altri neuroni.

E’ anche noto che l’apprendimento comporta modifiche continue nelle sinapsi: queste vengono create, distrutte, rinforzate o indebolite a seconda della quantita’ di informazione che circola nella rete e del feedback proveniente dall’ambiente esterno in seguito alla risposta della rete stessa. In questa descrizione, il comportamento di un singolo neurone e’ estremamente semplice e ben si presta a una descrizione matematica.

Dal neurone biologico al neurone artificiale

I pionieri delle ANN ragionarono cosi’: se il cervello, costituito da unita’ operative e regole tanto semplici, puo’ compiere operazioni di complessita’ enorme, come individuare il volto di una persona nota in una foto, allora un sistema computazionale basato sulle stesse regole dovrebbe avere ottime prestazioni. E’ cosi’ che sono nate le ANN, sulla base di un’analogia ispiratrice.

Una ANN consiste generalmente in un software: i neuroni sono implementati come processori virtuali. Dato un input, un neurone artificiale calcola un output sulla base di una funzione matematica di attivazione. Il segnale in uscita viene comunicato ai neuroni connessi attraverso le sinapsi, che amplificano il segnale di un fattore detto “peso sinaptico”. I pesi sinaptici hanno un ruolo fondamentale per l’output finale della rete e vengono pertanto aggiustati, durante una fase chiamata addestramento, al fine di riprodurre un certo tipo di comportamento desiderato.

Quanto regge l’analogia con il cervello?

E’ importante non prendere l’analogia alla lettera. Il neurone artificiale e’ una drastica semplificazione: ignora la chimica dei neurotrasmettitori, la dimensione temporale del segnale e la straordinaria varieta’ dei tipi cellulari reali. Le ANN si ispirano al cervello, ma non lo simulano. Questa distinzione e’ cio’ che separa un buon divulgatore da uno che vende fumo: la rete neurale e’ un potente strumento di calcolo, non un modello fedele della mente.

A cosa servono le reti neurali

Le ANN vengono utilizzate in molte discipline scientifiche, soprattutto quando i modelli analitico-matematici non sono disponibili oppure presentano una complessita’ eccessiva che li rende inutilizzabili. In questi casi, le ANN possono estrarre un modello empirico a partire dai dati sperimentali. In un certo senso possono essere considerate degli interpolatori: a partire da una serie di informazioni sul comportamento di un sistema, spesso incomplete o in parte affette da errori sperimentali, una rete neurale puo’ essere “allenata” (trained) su questi dati per prevedere il risultato di nuovi esperimenti.

Esempi classici di utilizzo

Riconoscimento e classificazione di pattern. Il compito consiste nell’assegnare un pattern in entrata, ad esempio un segnale acustico o un’immagine, a una o piu’ classi predefinite. Le applicazioni pratiche sono innumerevoli: classificazione dei segnali bioelettrici (stabilire se un EEG o un ECG e’ normale o meno), riconoscimento della voce, riconoscimento di un motivo in un’immagine.

Clustering. Simile al precedente, ma qui le categorie non sono predefinite: vanno scoperte “scavando” nei dati. L’applicazione classica e’ il data mining, cioe’ l’analisi minuziosa di banche dati enormi, ad esempio i dati sui clienti di una compagnia di assicurazioni, per trovare relazioni nascoste e correlazioni interessanti.

Previsione. Dal forecasting dei mercati finanziari alle previsioni meteorologiche: due esempi in cui e’ necessario prevedere il comportamento futuro di un sistema a partire dalle osservazioni compiute nel passato.

Un ponte tra neuroscienze e matematica

Le reti neurali artificiali sono dunque un metodo di calcolo basato su un modello semplificato del funzionamento dei neuroni biologici. La scommessa su questo “ponte” che lega due discipline cosi’ diverse, le neuroscienze e la matematica, si e’ rivelata vincente, come dimostrano le numerose applicazioni delle ANN. Una maggiore comunicazione e collaborazione tra gli studiosi delle due scienze non puo’ che giovare a entrambe le parti e riservare altre buone sorprese.

Domande frequenti

Le reti neurali artificiali funzionano davvero come il cervello?

Solo per analogia. Le ANN si ispirano al modello del cervello come rete di neuroni che si attivano oltre una soglia, ma sono una drastica semplificazione: ignorano la chimica dei neurotrasmettitori e la varieta’ dei neuroni reali. Sono potenti strumenti di calcolo ispirati al cervello, non simulazioni fedeli della mente.

Che cos’e’ il peso sinaptico in una rete neurale?

Il peso sinaptico e’ un fattore numerico che amplifica o riduce il segnale trasmesso tra due neuroni artificiali. Aggiustando questi pesi durante l’addestramento, la rete impara a produrre l’output desiderato. Sono l’equivalente artificiale della “forza” delle sinapsi biologiche.

A cosa servono concretamente le reti neurali?

Sono utili quando non esiste un modello matematico esplicito di un fenomeno, oppure quando questo e’ troppo complesso. Le ANN estraggono un modello empirico dai dati e si usano per il riconoscimento di pattern (voce, immagini, segnali EEG o ECG), per il clustering nel data mining e per la previsione di mercati finanziari o condizioni meteorologiche.

Cosa significa “addestrare” una rete neurale?

Addestrare (in inglese train) una rete significa esporla a una serie di dati di esempio e regolarne progressivamente i pesi sinaptici, in modo che impari a riprodurre il comportamento desiderato. Una volta addestrata, la rete puo’ generalizzare e prevedere il risultato di casi nuovi che non aveva mai incontrato.

Le reti neurali artificiali sono uno strumento di calcolo ispirato, non identico, al funzionamento dei neuroni biologici. La loro forza sta nella capacita’ di estrarre modelli empirici dai dati quando la matematica classica non basta, con applicazioni che vanno dal riconoscimento vocale al data mining fino alle previsioni. Il vero valore di questo ponte tra neuroscienze e matematica sta nella collaborazione tra le due discipline, a patto di non confondere l’analogia con la realta’.