Come le reti neurali liquide possono restringere il mondo dell'intelligenza artificiale

Aug 04, 2023

Kaushik è un architetto tecnico e consulente software, con oltre 20 anni di esperienza nel settore dell'analisi, dello sviluppo, dell'architettura, della progettazione, dei test e della formazione del software. Lui…

Eddie Wrenn è un reporter e redattore di notizie che ha lavorato in redazioni nazionali e internazionali nel Regno Unito e in Australia, concentrandosi su...

Le reti neurali liquide si distinguono come un elemento vitale e distintivo nel panorama dell’intelligenza artificiale grazie al loro approccio simile al cervello umano, non lineare e creativo, in contrasto con le reti neurali lineari. Eccellono nell'affrontare sfide complesse come le previsioni meteorologiche, l'analisi del mercato azionario e le aree di riconoscimento vocale, che in precedenza erano dominate da esperti umani.

Le reti neurali liquide sono tra i componenti emergenti più importanti e unici nel panorama dell’intelligenza artificiale (AI).

Quando una macchina o un robot deve reagire a stimoli o dati esterni, può essere estremamente dispendioso in termini di risorse, causando un collo di bottiglia se si tenta di inserire l'intelligenza in uno spazio molto piccolo.

VentureBeat descrive come una rete neurale classica potrebbe aver bisogno di 100.000 neuroni artificiali per mantenere l'auto ferma in un compito come guidare un veicolo lungo una strada.

Tuttavia, con una scoperta incredibile, il team del MIT CSAIL che sviluppa reti neurali liquide è stato in grado di eseguire lo stesso compito con soli 19 neuroni.

Le reti neurali liquide sono un tipo di architettura di deep learning sviluppata per risolvere una sfida per i robot che eseguono attività e apprendimenti complessi, con l'obiettivo di aggirare il problema della dipendenza dal cloud o della memoria interna limitata.

Daniela Rus, direttrice del MIT CSAIL, ha dichiarato a VentureBeat: “L’ispirazione per le reti neurali liquide è stata pensare agli approcci esistenti all’apprendimento automatico e considerare come si adattano al tipo di sistemi critici per la sicurezza offerti dai robot e dai dispositivi edge.

"Su un robot, non è possibile eseguire un modello linguistico di grandi dimensioni perché non c'è la potenza di calcolo e lo spazio di archiviazione necessari."

Il gruppo di ricerca ha trovato un indizio per il loro problema dalla ricerca sui neuroni biologici presenti in piccoli organismi.

Pensa alle reti neurali liquide come alle cellule interconnesse di un cervello umano che si uniscono per elaborare informazioni e fornire risultati.

Il cervello umano è una disposizione cellulare altamente complessa che esegue calcoli estremamente complessi.

Le reti neurali liquide si concentrano su applicazioni critiche per la sicurezza, come veicoli e robot a guida autonoma, che necessitano di un flusso continuo di dati da inserire.

Secondo Daniela Rus, “In generale, le reti liquide funzionano bene quando disponiamo di dati di serie temporali… è necessaria una sequenza affinché le reti liquide funzionino bene.

"Tuttavia, se provi ad applicare la soluzione di rete liquida a un database statico come ImageNet, non funzionerà così bene."

Il gruppo di ricerca del Laboratorio di Informatica e Intelligenza Artificiale del MIT (CSAIL) ha riscontrato, sulla base della propria esperienza, i seguenti vantaggi.

Le reti neurali liquide potrebbero funzionare con un numero significativamente inferiore di neuroni rispetto alle reti neurali classiche.

Come accennato in precedenza, una classica rete neurale di deep learning avrebbe bisogno di 100.000 neuroni per mantenere un’auto a guida autonoma nella sua corsia; una rete neurale liquida ha bisogno di soli 19 neuroni.

Le reti neurali liquide gestiscono la causalità meglio delle classiche reti neurali di deep learning. Possono individuare una chiara relazione tra causa ed effetti, cosa che le classiche reti neurali di deep learning faticano a fare.

Ad esempio, le classiche reti neurali di deep learning possono identificare in modo coerente le relazioni di causa-effetto tra eventi in contesti diversi in modo più efficiente rispetto alla rete neurale classica.

Comprendere l'interpretazione dei dati da parte di un sistema di intelligenza artificiale è una delle maggiori sfide dell'intelligenza artificiale.

I modelli classici di deep learning spesso mostrano basi superficiali, poco chiare o errate per l’interpretazione dei dati, ma le reti neurali liquide possono spiegare le loro basi per l’interpretazione dei dati.