Rete neurale (NN)

Capire le reti neurali

Una rete neurale è composta da strati di nodi interconnessi, o neuroni. Questi strati includono tipicamente uno strato di ingresso che riceve i dati grezzi, uno o più strati nascosti che elaborano i dati e uno strato di uscita che produce il risultato finale, come una classificazione o una previsione. Ogni connessione tra i neuroni ha un peso che indica l'importanza della connessione. I neuroni elaborano i loro input utilizzando una Funzione di Attivazione per determinare il segnale di uscita che trasmettono. La rete impara regolando questi pesi durante un processo di addestramento, di solito utilizzando algoritmi come la discesa del gradiente e la retropropagazione, per ridurre al minimo l'errore tra le sue previsioni e i valori effettivi. Per una guida all'addestramento efficace, consulta i nostri Suggerimenti per l'addestramento dei modelli.

I modelli che utilizzano il Deep learning sono essenzialmente reti neurali con numerosi strati nascosti (da qui "profondi"). Questa profondità consente loro di apprendere modelli molto complessi e caratteristiche gerarchiche da grandi insiemi di dati, rendendoli eccezionalmente efficaci per compiti come il rilevamento di oggetti e la segmentazione di immagini. A differenza dei modelli ML più semplici che potrebbero richiedere l'ingegnerizzazione manuale delle caratteristiche, le NN eccellono nell'estrazione automatica di caratteristiche rilevanti da dati non strutturati come immagini e testi.

Applicazioni delle reti neurali

Le reti neurali sono incredibilmente versatili e sono state applicate in numerosi settori. Ecco due esempi chiave:

1. Visione artificiale: Nel campo della computer vision (CV), le NN, in particolare quelle specializzate come le CNN, vengono utilizzate per analizzare e interpretare le informazioni visive. Modelli all'avanguardia come Ultralytics YOLO sfruttano le reti neurali profonde per il rilevamento degli oggetti in tempo reale, la segmentazione delle immagini e la stima della posa, consentendo applicazioni che vanno dalla guida autonoma all'analisi delle immagini mediche. Puoi addestrare e distribuire questi modelli utilizzando piattaforme come Ultralytics HUB.
2. Elaborazione del linguaggio naturale: Le NN sono fondamentali per l'elaborazione del linguaggio naturale (NLP), in quanto consentono alle macchine di comprendere e generare il linguaggio umano. Le applicazioni includono la traduzione automatica, l'analisi del sentiment e lo sviluppo di chatbot. Modelli come il BERT e vari modelli GPT si basano su sofisticate architetture di reti neurali, in particolare sui trasformatori.

Reti neurali e concetti simili

È utile distinguere le NN dai concetti di IA correlati:

• Intelligenza Artificiale (AI): L'IA è l'ampio campo della creazione di macchine intelligenti. Le NN sono una tecnica specifica utilizzata nell'ambito dell'IA per ottenere capacità di apprendimento.
• Apprendimento automatico (ML): Il ML è un sottoinsieme dell'IA incentrato sugli algoritmi che imparano dai dati. Gli NN sono una delle principali classi di modelli di ML, particolarmente dominanti nel deep learning.
• Apprendimento profondo (DL): Il deep learning è un sottocampo del ML che utilizza in modo specifico le reti neurali con molti strati (architetture profonde) per modellare modelli complessi. Tutti i modelli di deep learning sono reti neurali, ma non tutte le reti neurali sono profonde.
• Reti neurali convoluzionali (CNN): Le CNN sono un tipo specializzato di NN progettato principalmente per l'elaborazione di dati di tipo reticolare, come le immagini, il che le rende molto efficaci per le attività di computer vision.
• Reti neurali ricorrenti (RNN): Le RNN sono progettate per gestire dati sequenziali, come testi o serie temporali, grazie a connessioni che formano dei cicli, permettendo alle informazioni di persistere.
• Trasformatori: I trasformatori sono un'architettura più recente, fortemente basata sui meccanismi di attenzione, che sono diventati lo stato dell'arte per molti compiti di NLP e sono sempre più utilizzati nella computer vision.

In sintesi, le reti neurali sono potenti modelli ispirati al cervello che consentono alle macchine di apprendere modelli complessi dai dati. Sono gli elementi fondamentali per l'apprendimento profondo e guidano i progressi in diverse applicazioni dell'intelligenza artificiale, dalla comprensione delle immagini con la computer vision all'elaborazione del linguaggio in NLP.