Cos'è una rete neurale?
In un tipico computer, realizzato secondo quello che viene chiamato un'architettura von Neumann, le banche di memoria vivono in un modulo isolato. Esiste un solo processore, che elabora le istruzioni e la memoria riscrive uno per uno, usando un'architettura seriale. Un approccio diverso al calcolo è la rete neurale. In una rete neurale, costituita da migliaia o addirittura milioni di singoli "neuroni" o "nodi", tutta l'elaborazione è altamente parallela e distribuita. I "ricordi" sono immagazzinati all'interno delle complesse interconnessioni e pesi tra i nodi.
Neural Networking è il tipo di architettura di elaborazione utilizzata dai cervelli animali in natura. Ciò non è necessariamente perché la rete neurale è una modalità di elaborazione intrinsecamente superiore rispetto al calcolo seriale, ma perché un cervello che utilizza il calcolo seriale sarebbe molto più difficile da evolvere in modo incrementale. Le reti neurali tendono anche a gestire "dati rumorosi" meglio dei computer seriali.
In una rete neurale feedforward, un FIL "INGUT INGRATLED con nodi specializzati prende informazioni, quindi invia un segnale a un secondo livello in base alle informazioni ricevute dall'esterno. Queste informazioni sono generalmente un segnale binario "sì o no". A volte, per passare da un "no" a un "sì", il nodo deve sperimentare una certa soglia di eccitazione o stimolazione.
I dati si spostano dal livello di input ai livelli secondari e terziari, e così via, fino a raggiungere un "livello di output" finale che visualizza i risultati su una schermata per i programmatori da analizzare. La retina umana funziona basata su reti neurali. I nodi di primo livello rilevano semplici caratteristiche geometriche nel campo visivo, come colori, linee e bordi. I nodi secondari iniziano ad astrarre caratteristiche più sofisticate, come movimento, consistenza e profondità. L'ultimo "output" è ciò che la nostra coscienza registra quando guardiamo il campo visivo. L'input iniziale è solo una disposizione complessadi fotoni che significherebbero poco senza l'hardware neurologico per darne un senso in termini di qualità significative, come l'idea di un oggetto duraturo.
Nelle reti neurali backpropagating, gli output da livelli precedenti possono tornare a quegli strati per limitare ulteriori segnali. La maggior parte dei nostri sensi funziona in questo modo. I dati iniziali possono richiedere una "ipotesi istruita" al risultato finale, seguita dalla ricerca di dati futuri nel contesto di quella ipotesi educata. Nelle illusioni ottiche, i nostri sensi rendono ipotesi educate che risultano sbagliate.
Invece di programmare algoritmicamente le reti neurali, i programmatori devono configurare una rete neurale con l'addestramento o la delicata messa a punto dei singoli neuroni. Ad esempio, la formazione di una rete neurale per riconoscere i volti richiederebbe molte corse di formazione in cui sono stati mostrati diversi oggetti "facciali" e "impercettibili", accompagnati da feedback positivi o negativi per convincere la rete neurale nel migliorare le capacità di riconoscimento.