Perché chi non è specialista dovrebbe capire le reti neurali?
È importante comprendere le reti neurali perché sono alla base della maggior parte degli strumenti di IA che usi, dalla trascrizione vocale agli assistenti di conversazione. Per decidere se acquistare questi strumenti o fidarti di loro, devi sapere cosa possono e non possono apprendere.
Consideriamo un intermediario assicurativo immaginario con 80 dipendenti, Harbourline Insurance. Un fornitore propone al responsabile operativo, Daniel, un prodotto per la classificazione preliminare dei sinistri. La diapositiva recita: 'Rete neurale profonda, 12 livelli, addestrata su milioni di sinistri, accuratezza del 94%, apprende come il cervello umano.' Negli appunti di Daniel sulla chiamata si legge: 'non so bene cosa significhi livelli. addestrata sui sinistri di chi? 94% di cosa? sa spiegare una decisione se un cliente presenta un reclamo?' Deve riferire al suo direttore entro giovedì e non vuole né ripetere la diapositiva né liquidare la proposta.
Come funziona una rete neurale, passo dopo passo?
Una rete neurale funziona facendo passare numeri attraverso strati di unità, ciascuna delle quali combina i propri ingressi usando pesi regolabili, e poi confrontando il risultato finale con la risposta corretta, in modo da modificare leggermente i pesi e migliorare al tentativo successivo. I passaggi seguenti illustrano una previsione e un ciclo di apprendimento.
1. I dati in ingresso diventano numeri
Tutto ciò che la rete riceve viene prima trasformato in numeri: la luminosità dei pixel per un'immagine, le parole convertite in codici numerici per un testo oppure campi come l'importo richiesto e l'anzianità della polizza per una richiesta di risarcimento.
2. Ogni neurone pondera i dati in ingresso
Un neurone, chiamato anche nodo, moltiplica ogni valore in ingresso per un peso, somma i risultati insieme a una costante detta termine di polarizzazione e fa passare il totale attraverso una funzione di attivazione. È la funzione di attivazione che consente a una serie di strati di neuroni di apprendere relazioni curve e non lineari, anziché soltanto relazioni lineari.
3. Ogni livello si basa sui precedenti
I neuroni sono organizzati in strati. Lo strato di ingresso contiene i valori grezzi, uno o più strati nascosti li trasformano e lo strato di uscita produce la previsione, ad esempio 'probabilmente un sinistro semplice' o 'richiede uno specialista'. Una rete con molti strati nascosti si definisce profonda: da qui deriva il termine apprendimento profondo.
4. L'errore viene misurato
Durante l'addestramento, la rete produce una previsione per un esempio di cui si conosce la risposta corretta. La differenza tra la sua risposta e quella corretta viene misurata con un numero chiamato perdita.
5. I pesi vengono aggiornati
Un algoritmo chiamato retropropagazione calcola quanto ciascun peso ha contribuito all'errore, mentre un metodo chiamato discesa del gradiente modifica leggermente ogni peso nella direzione che avrebbe ridotto l'errore. Ripetute su molte migliaia o milioni di esempi, queste piccole correzioni producono un modello capace di fare buone previsioni.
Come suona una spiegazione debole di una rete neurale rispetto a una migliorata?
Una presentazione poco efficace ripete le parole del fornitore: 'È una rete neurale profonda a 12 strati che impara come un cervello e ha un'accuratezza del 94%.' La direttrice di Daniel non ricava alcuna informazione su cui basare una decisione e 'impara come un cervello' è una metafora, non una descrizione. I neuroni reali e queste unità condividono un nome e una vaga ispirazione, non un meccanismo.
Una presentazione migliorata dice: 'Il prodotto è una rete neurale: un modello che ha imparato a classificare le richieste di risarcimento regolando milioni di pesi interni finché le sue previsioni non hanno coinciso con le decisioni passate. Questo significa che la sua qualità dipende dalle richieste passate da cui ha imparato, quindi dobbiamo sapere a chi si riferivano e se sono simili alle nostre. Il dato del 94% va definito: corretto su quali dati di test, e con quale frequenza classifica erroneamente come semplice una richiesta complessa? È difficile spiegare ogni singola decisione di questi modelli, quindi dovremmo chiedere cosa fornisce il fornitore quando un cliente contesta un esito, e mantenere il controllo umano su ogni richiesta respinta.' Questa versione trasforma la diapositiva in quattro domande precise.
Perché le reti neurali hanno bisogno di così tanti dati e dove vengono usate?
Le reti neurali hanno bisogno di molti dati perché hanno un numero molto elevato di pesi da impostare e ogni peso viene appreso dagli esempi, anziché essere definito da una persona. Con troppo pochi esempi, la rete può memorizzare i dati di addestramento invece di apprendere uno schema generale: questo fenomeno si chiama sovradattamento.
Si usano quando i dati contengono schemi complessi, difficili da esprimere come regole: riconoscere oggetti nelle immagini, convertire il parlato in testo, tradurre lingue, individuare transazioni insolite e far funzionare modelli linguistici di grandi dimensioni, come quelli alla base degli assistenti ChatGPT, Claude e Gemini. Per tabelle aziendali piccole e ben strutturate, modelli più semplici sono spesso altrettanto accurati e molto più facili da spiegare.
Quali sono i limiti delle reti neurali?
I limiti principali sono che le reti neurali apprendono tutto ciò che è presente nei dati di addestramento, comprese lacune e distorsioni, che è difficile spiegare le loro singole decisioni e che possono sbagliare con sicurezza di fronte a casi diversi da quelli incontrati durante l'addestramento. I valori di accuratezza dipendono interamente dai dati di test, quindi chiedi sempre quali siano stati usati. Addestrare reti di grandi dimensioni richiede inoltre una notevole potenza di calcolo: per questo la maggior parte delle organizzazioni usa modelli preaddestrati.
Come si verifica un’affermazione su una rete neurale?
Verifica un'affermazione su una rete neurale chiedendo da quali dati ha appreso, come è stata testata, quali errori commette e chi ne controlla le decisioni. Se un fornitore non sa rispondere con chiarezza, il numero di strati non conta.
Dove si colloca questa lezione in Tosheo.ai?
Questa lezione appartiene alla categoria Apprendimento automatico e apre l'unità sulle reti neurali del corso di apprendimento automatico. In Tosheo.ai è seguita da un'attività pratica in cui spieghi un modello a un interlocutore immaginario; il riscontro basato sulla griglia di valutazione segnala metafore vaghe e affermazioni sull'accuratezza prive di fondamento. Offre basi professionali per lavorare con l'apprendimento automatico, non è un corso intensivo per costruire modelli; se vuoi creare reti scrivendo codice, il percorso facoltativo di programmazione tratta questo argomento dopo l'iscrizione.