In questa sezione si introducono i metodi e gli strumenti quantitativi propri della softartificial intelligence che prendono il nome di reti neurali artificiali - o reti neuronali - di tipo MultyLayer Perceptron (nel seguito: MLP) ad apprendimento supervisionato. In particolare, dapprima si provvederà a fornirne una sintetica presentazione di natura qualitativa e, successivamente, si provvederà a fornirne i principali elementi teorici. In generale, la neurocomputazione è quella disciplina che, fra le altre sue potenzialità, prendendo ispirazione dalle discipline della neurobiologia strictu sensu,permette di inferire efficacemente le relazioni eventualmente esistenti tra variabili potenzialmente esplicative (le variabili di input) e variabili potenzialmente esplicanti (le variabili di output). Fin d'ora è da porre bene in evidenza che, nonostante la citata ispirazione ai principi di funzionamento dei sistemi nervosi propri degli esseri viventi superiori, la neurocomputazione è una disciplina quantitativa nel senso tradizionale del termine; pertanto, i metodi e gli strumenti offerti dalla neurocomputazione, al pari di quelli offerti dalle altre discipline quantitative, si fondano sul classico metodo scientifico deduttivo [Hertz et al., 1991]. In particolare, le RNA di tipo MLP ad apprendimento supervisionato sono dei sistemi di elaborazione di dati e di informazioni caratterizzati da un elevato numero di elementi elaborativi (elementi detti "neuroni artificiali" o, più semplicemente, "nodi"); ognuno di questi elementi elaborativi, analogamente a quanto si verifica per i neuroni biologici,
. è in grado di effettuare poche e semplici operazioni di elaborazione,
. ed è collegato a molti altri elementi elaborativi dai quali riceve dei segnali di input od ai quali trasmette dei segnali di output determinati trasformando opportunamente dei segnali di input precedentemente ricevuti.
È anche da porre in evidenza che, in generale, il numero di neuroni artificiali che, in media, costituiscono una RNA di tipo MLP è un infinitesimo del numero (tipicamente, 10.000 miliardi) di quelli biologici che, in media, costituiscono il cervello di un essere vivente superiore.
Nonostante questa pallida analogia con i sistemi neurali biologici, le RNA di tipo MLP risultano comunque formalmente caratterizzate da proprietà analoghe a quelle che caratterizzano gli stessi sistemi neurali biologici, principali fra le quali:
. la capacità di inferire le relazioni (anche complesse) eventualmente esistenti tra segnali di input e segnali di output relativi ad uno stesso fenomeno; più in dettaglio, al fine di realizzare tali inferenze, non è necessario fornire alla RNA di tipo MLP particolari conoscenze a priori inerenti al fenomeno stesso, ma, più semplicemente, è sufficiente presentarle più volte delle coppie costituite da degli input e dai corrispondenti output: a partire dall'analisi di questi ultimi - mediante dei meccanismi formali di aggiornamento progressivo e convergente dei propri parametri - il modello neuronale "apprende" (seppure in forma non parametrica) le relazioni di cui in oggetto (proprietà nota come capacità di apprendimento);
. la capacità di modificare opportunamente la rappresentazione formale relativa a relazioni già "apprese" (secondo le modalità di cui al punto precedente) tra segnali di input e segnali di output, quando alla RNA di tipo MLP si presentino nuovi pattern di input-output (proprietà nota come capacità di adattamento o plasticità);
. la capacità di saper operare efficacemente e correttamente anche in presenza di segnali di input e/o di output fortemente distorti (proprietà nota come capacità di robustezza al rumore);
. e la capacità di saper correttamente associare a dei segnali di input mai "visti" in precedenza (ovvero, non utilizzati durante la fase di apprendimento) i corrispondenti segnali di output (proprietà nota come capacità di generalizzazione). Queste, ed altre proprietà di cui godono le RNA di tipo MLP, spiegano il perché, in particolare in tempi recenti, la neurocomputazione abbia conseguito un evidente successo nell'ambito delle discipline socio-economiche. Infatti, a tal riguardo è da porre in evidenza come, in generale, molti degli "oggetti" studiati da queste discipline siano caratterizzati
. dalla inadeguatezza delle informazioni disponibili a priori e
. dalla pochezza delle relazioni funzionali che è possibile stabilire ex ante, caratteristiche (entrambe negative) sostanzialmente affrontabili mediante il ricorso a metodologie e ad approcci che si ispirano alle capacità di problem solving tipiche degli esseri viventi superiori quali, per l'appunto, sono le RNA di tipo MLP.
Successivo: Gli aspetti teorici di base
Sommario: Indice