La parola “rete neurale” evoca un mondo fantastico con valvole, transistor, un sommesso ronzio di fondo, una proiezione a portata di mano nel futuro, un presente prossimo, in pratica. In effetti le reti neurali possono costituire il trampolino verso un presente prossimo computazionale. Il loro concetto trae linfa dal mondo matematico e digitale, elettronico ed informatico. La loro applicazione guarda alla medicina, alla meteorologia…
Che cosa è una rete neurale? Ai nostri occhi si presenta come un raffinato circuito elettronico, costituito da fili connettori (sinapsi) di elementi che raccolgono gli input da diverse fonti (neuroni input) con elementi collettori degli input codificati, con elementi che associano gli input agli output richiesti (neuroni nascosti) e con elementi che decodificano gli input e rendono fruibili all’esterno (neuroni output) le informazioni attese.
La particolarità delle reti neurali è proprio questa: all’interno del circuito le informazioni non vengono manipolate in modo da ottenere degli output, vengono associate agli output già presenti, secondo regole fissate a priori. Questo elementare, vitale meccanismo regola l’apprendimento nelle strutture biologiche, ovvero nelle piante, negli animali, nell’uomo. Più in generale la rete neurale è un algoritmo logico, un insieme di istruzioni che il calcolatore può leggere ed elaborare, al pari di qualsiasi altro modello tradizionale
E’ un meccanismo molto efficace, duttile, versatile, estremamente economico, adatto per tutte le tasche, da quelle di un bambino che impara a camminare a quelle di un complesso sistema elettronico che impara a prevedere il tempo in modo automatico. Un bambino osserva per la prima volta in vita sua il fuoco. Lo vede, lo annusa, lo…sfiora. Ahia! Ma quanto brucia quest’oggetto?! Il bambino osserva il fuoco per la seconda volta. Lo vede, lo annusa, lo…riconosce. E non lo sfiora più. Sa già che brucia. Nel suo cervello si è innescato il meccanismo di associazione tra gli input (di visione, di odorato) e l’output (brucia) secondo una regola empirica, imparata suo malgrado.
La struttura fisica di una rete neurale è di matrice elettronica, rimanda a una precisa struttura logica, quella che si segue per progettare e utilizzare il circuito. Le sinapsi sono l’elemento fondamentale sui cui operare. I neuroni input, nascosti, output sono strutturati a strati, uno successivo all’altro. Le sinapsi trasportano l’informazione da un neurone all’altro, da uno strato all’altro. Alcune sinapsi hanno più “peso” di altre, ad esempio perché trasportano un tipo di informazione con cui il sistema si trova ad avere a che fare molto più frequentemente che con altre. Se siete destrorsi, avete mai provato a confrontare la fatica di scrivere con la mano sinistra? Le informazioni necessarie per scrivere con la destra, in questo caso, hanno delle sinapsi neuronali molto più sviluppate, “pesanti”, di quelle necessarie per scrivere con la sinistra.
Altro elemento importante di una rete neurale è costituito dal sistema di algoritmi necessari ad addestrarla, l’algoritmo è la forma logica che le regole, fissate a priori per connettere gli input agli output utili, assumono in una rete neurale. Gli algoritmi vengono organizzati “a grappolo”, a seconda della funzione che devono regolare. I due grappoli più importanti riguardano il meccanismo di attivazione dei neuroni input dall’esterno al primo strato o da uno strato all’altro (funzione di attivazione dei neuroni) ed il meccanismo secondo cui a certi input vengono associati certi output, ovvero al fuoco viene associata la sensazione di calore, di pericolo di bruciarsi (regola di apprendimento della rete).
La funzione di attivazione opera una certa selezione sui valori da trasmettere, da cui l’economicità della logica neurale, mentre le regole di apprendimento sono in grado non solo di associare a un certo dato input un certo dato output, sono anche in grado di rendere una sinapsi più rapida, allenata, in una parola più “pesante” di una altra, variando appunto dei parametri importanti della sinapsi, detti pesi. Il nostro “aggiustare la mira” è un tipico esempio di lavoro della regola di apprendimento che si attiva quando il nostro dito tiene una boccia in mano ed il nostro sguardo punta al boccino. La corretta e precisa immissione delle regole pregiudica un corretto e preciso servizio da parte della rete nella catalogazione di sufficienti e pertinenti scenari (“pattern”) da proporre come output.
La potenza computazionale di una rete neurale permette di ottenere soluzioni a problemi la cui dinamica può non essere perfettamente conosciuta, perché la capacità di creare analogie da un certo numero di input, questa sì che è necessaria, fa associare un dato ad un altro, senza dover per forza capire come trasformarlo in quest’altro. Si procede per analogie e persino dati errati, come errori di associazione riconosciuti a posteriori, rappresentano un bagaglio utile per una riuscita sempre migliore della rete su quel problema. Gli esseri viventi imparano soprattutto dagli errori, si dice, e le reti neurali artificiali simulano lo stesso meccanismo, almeno in parte.
In ambito meteorologico l’esempio è evidente, il meteorologo studia l’atmosfera secondo regole prestabilite, ma talvolta si ricrede, perché su scala locale intervengono altri fattori a lui sconosciuti. Il paziente lavoro di previsione, analisi dei risultati e confronto (verifica) sulle previsioni serve appunto a perfezionare la previsione una volta che si ripeteranno le stesse, o molto simili, condizioni atmosferiche.
Una rete neurale artificiale può essere “addestrata” a prevedere il tempo nell’immediato, previsione a nowcasting con passo temporale minimo di 15 minuti, massimo di 180 minuti, proprio inserendo una per una le condizioni meteo che portano ad una certa evoluzione, più l’esperienza è vasta, più si aumenta il rendimento di una rete. A cosa serve allora una rete, se funziona da pappagallo ripetente? La rete neurale non si stanca, funziona giorno e notte, è molto rapida e non ha problemi di memoria. Il suo lavoro previsionale di base permette al meteorologo un più ampio respiro nel lavorare al contorno, parte essenziale della previsione meteorologica, e un più ampio respiro nel valutare soluzioni inaspettate che la rete propone. La rete impara anche dai dati errati, le soluzioni inaspettate sono un dato in più che autoalimenta la rete.
Le previsioni meteorologiche si avvalgono tradizionalmente di output da modelli deterministici, in cui ogni passaggio o conclusione sono codificati da input esaurienti, da regole precise. Il modello elabora situazioni fisiche ben note per approdare alla loro evoluzione meno nota, ma teoricamente controllata. La rete neurale si svincola dalla perfetta conoscenza del sistema da descrivere, si svincola dal necessario controllo a priori. Può dunque adattarsi e suggerire soluzioni a problemi non del tutto noti, proprio come succede nell’apprendimento umano.
Un interessante esperimento in questo senso è condotto dal gruppo di Neuronica del Politecnico di Torino, coordinato dal professor Eros Pasero. Il Gruppo ha maturato una esperienza solida in termini elettronici e logici di reti neurali nel corso degli ultimi dieci anni, venendo ad affrontare anche la questione della previsione meteorologica a nowcasting. Il sistema, messo a punto una decina di anni fa è in costante aggiornamento, si basa su dati meteorologici direttamente rilevati da due centraline presenti nel Politecnico e su informazioni al contorno fornite dai database statunitensi del NOAA (National Oceanic and Atmospheric Administration), il centro principale di informazione meteorologica degli USA. L’esperienza di meteorologia locale raccolta e selezionata dai giovani studiosi ha reso possibile il funzionamento del sistema neurale del gruppo di Torino.
Il programma di ricerca meteorologica, denominato NEMEFO (NEural MEteo FOrecast), propone un approccio focalizzato sul fornire previsioni esclusivamente locali, limitate alla zona nella quale è installato il sistema di previsione, e per un limitato periodo di tempo (fino a 3 ore in anticipo). Questo approccio si rivela molto utile per la risoluzione dei molteplici problemi relativi alla sicurezza stradale e no quali: la formazione di improvvisi banchi di nebbia in autostrada o negli aeroporti, la formazione di ghiaccio sulle strade o gelate in agricoltura. Ma anche attività di intrattenimento possono beneficiare di tali strumenti: conoscere in anticipo la situazione della neve su una pista da sci prima di una gara, la previsione di pioggia lungo il circuito automobilistico durante una gara di formula 1 o sul campo di gioco durante una partita di calcio sono ulteriori ma non meno interessanti esempi di applicazioni basate su NEMEFO.
La rete neurale artificiale rimpiazza la conoscenza, l’intuito, di chi per il proprio lavoro, ad esempio marinai, sportivi, è abituato a stimare l’evolversi della situazione meteo. Questi strumenti di "intelligenza artificiale" consistono di un software molto sofisticato, basato su di un brevetto del Politecnico di Torino, che simula i meccanismi del ragionare umano al fine di fornire una previsione delle situazioni meteorologiche rilevanti per l'area locale nella quale la stazione meteo è installata.
Quindi questa "stazione meteorologica neurale" è in grado, ad esempio, di avvertire gli automobilisti con un paio d'ore d'anticipo dell'imminente formazione di nebbia in zone critiche diminuendo così il numero degli eventuali incidenti.
NEMEFO è attualmente sotto test anche per la zona aereoportuale di Caselle. E chissà se anche in questo caso con il rosso di sera…
Per approfondimenti: http://www.neuronica.polito.it/default.asp?view=meteo_nemest_forecasts&lang=it
