L’intelligenza artificiale (AI) può diventare più efficiente e affidabile se si “bioispira“, ovvero se imita i modelli biologici. L’intelligenza artificiale è presente nella nostra vita quotidiana, dai motori di ricerca alle auto a guida autonoma, grazie all’enorme potenza di elaborazione che è diventata disponibile negli ultimi anni. Nuovi risultati provenienti dalla ricerca mostrano che le reti neurali più semplici possono essere utilizzate per risolvere determinati compiti ancora meglio, in modo più efficiente e più affidabile.
Un team di ricerca internazionale di MIT CSail, Tu Wien (Vienna) e IST Austria ha sviluppato un nuovo sistema di intelligenza artificiale basato sul cervello di piccoli animali, come i vermi solitari. Questo AI-System può controllare un veicolo con un piccolo numero di neuroni artificiali.
I ricercatori affermano che il sistema ha vantaggi decisivi rispetto ai precedenti modelli di apprendimento profondi: lavora con input “rumoroso”, e, a causa della sua semplicità, la sua modalità di funzionamento può essere spiegata in dettaglio. Non deve essere considerato come una complessa “scatola nera”, ma può essere compresa dagli umani. Questo nuovo modello di apprendimento profondo è stato pubblicato su The Journal Nature Machine Intelligence. “I Neural Circuit Policy sono una nuova architettura promettente ispirata ai neuroni biologici, che ha portato a modelli molto piccoli in grado di gestire compiti complessi. Questa semplicità rende il sistema più robusto e più interpretabile”, afferma François Chollet, Software Engineer e ricercatore AI presso Google.
Reti neurali: imparare dalla natura
Simile ai cervelli viventi, le reti neurali artificiali sono costituite da molte cellule individuali. Quando una cella è attiva invia un segnale ad altre cellule. Tutti i segnali ricevuti dalla cella successiva sono combinati per decidere se questa cellula diventerà attiva anche essa. Il modo in cui una cella influenza l’attività della prossima cellula determina il comportamento del sistema: questi parametri vengono regolati in un processo di apprendimento automatico fino a quando la rete neurale non può risolvere un compito specifico.
“Per anni abbiamo studiato ciò che possiamo imparare dalla natura per migliorare l’apprendimento profondo”, afferma il professor Radu Grosu, capo del gruppo di ricerca “sistemi cyber-fisici” a Tu Wien. “Il nematode C. elegans, ad esempio, vive la sua vita con un numero incredibilmente piccolo di neuroni, e mostra interessanti modelli comportamentali. Ciò è dovuto al modo efficiente e armonioso del sistema nervoso del nematode col quale elabora le informazioni”.
Nematode C. Elegans
“La natura ci mostra che c’è ancora un sacco di spazio per il miglioramento”, afferma Daniela Rus, che dirige il Mit Csail. “Pertanto, il nostro obiettivo è quello di ridurre in modo massiccio la complessità e sviluppare un nuovo tipo di architettura neurale”.
“Ispirati dalla natura, abbiamo sviluppato nuovi modelli matematici di neuroni e sinapsi”, afferma Thomas Henzinger, presidente di IST Austria.
“L’elaborazione dei segnali all’interno delle singole cellule segue diversi principi matematici rispetto ai precedenti modelli di apprendimento profondo”, afferma Ramin Hasani, PostDoctoral Associate presso l’Institute of Computer Engineering, Tu Wien e Mit CSail. “Inoltre, le nostre reti sono altamente sparse, questo significa che non tutte le cellule sono collegate a ogni altra cella. Questo rende anche la rete più semplice.
Reti neurali e mantenimento della corsia autonoma
Per testare le nuove idee, il team ha scelto un compito di prova particolarmente importante: auto a guida autonoma che permangono nella loro corsia. La rete neurale riceve le immagini dalla telecamera puntata sulla strada come input e decide automaticamente se sterzare a destra o a sinistra.
“Oggi, i modelli di apprendimento profondi con molti milioni di parametri sono spesso utilizzati per l’apprendimento di compiti complessi come la guida autonoma”, afferma Mathias Lechner, Tu Wien Alumnus e PhD Student a Ist Austria. “Tuttavia, il nostro nuovo approccio ci consente di ridurre le dimensioni delle reti di due ordini di grandezza. I nostri sistemi utilizzano solo 75mila parametri addestrabili”.
Il nuovo sistema è composto da due parti: “L’ingresso della telecamera viene elaborato per la prima volta da una rete neurale convoluzionale”, afferma Alexander Amini, dottorando al MIT CSail. “Elabora solo i dati visivi per estrarre caratteristiche strutturali dai pixel in arrivo. Non ha nulla a che fare con lo sterzo effettivo del veicolo”. Questa rete decide quali parti dell’immagine della telecamera sono interessanti e importanti, e quindi passa i segnali alla parte essenziale della rete – il “sistema di controllo” che dirige il veicolo.
Entrambi i sottosistemi sono “impilati” insieme e sono addestrati simultaneamente. Molte ore di video di traffico di guida umana nella zona di Boston sono stati raccolti, e sono alimentati nella rete, insieme con le informazioni su come guidare la macchina in ogni situazione, fino a quando il sistema ha imparato a collegare automaticamente le immagini con l’appropriata direzione dello sterzo e può gestire autonomamente nuove situazioni.
La parte di controllo del sistema (denominato NCP, Neural circuit policy), che traduce i dati dal modulo percezione in un comando dello sterzo, consiste soltanto di 19 neuroni. “Si tratta di ordini di grandezza più piccoli di quello che sarebbe ben possibile con precedenti modelli all’avanguardia”, afferma Mathias Lechner.
Causalità e interpretabilità del modello di apprendimento
Il nuovo modello di apprendimento profondo è stato testato su un vero veicolo autonomo. “Il nostro modello ci consente di indagare su ciò su cui la rete concentra la sua attenzione durante la guida. Le nostre reti si concentrano su parti molto specifiche dell’immagine della fotocamera: il cruscotto e l’orizzonte. Questo comportamento è altamente corretto, ed è unico tra i sistemi di intelligenza artificiale”, afferma Ramin Hasani. “Inoltre, abbiamo visto che il ruolo di ogni singola cella a qualsiasi decisione di guida può essere identificato. Possiamo capire la funzione delle singole cellule e del loro comportamento. Raggiungere questo grado di interpretabilità è impossibile per modelli di apprendimento profondi più grandi. ”
Il vantaggio della robustezza
“Per testare quanto i NCP siano più robusti rispetto ai precedenti modelli profondi, abbiamo perturbato le immagini di input e valutato quanto bene gli agenti affrontano il rumore”, afferma Mathias Lechner. “Sebbene questo sia diventato un problema insormontabile per altre reti neurali profonde, i nostri NCP hanno dimostrato una forte resistenza agli artefatti di input. Questo attributo è una conseguenza diretta del nuovo modello neurale e dell’architettura”.
“L’interpretabilità e la robustezza sono i due principali vantaggi del nostro nuovo modello”, afferma Ramin Hasani. “Ma c’è di più: usando i nostri nuovi metodi, possiamo anche ridurre i tempi di allenamento e la possibilità di implementare i sistemi relativamente semplici. I nostri NCP consentono di applicare l’AI in una vasta gamma di possibili applicazioni, dal lavoro automatico nei magazzini alla locomozione del robot. I nuovi risultati aprono importanti nuove prospettive per la comunità AI: i principi del calcolo nei sistemi nervosi biologici possono diventare una grande risorsa di ispirazione per la creazione di AI interpretabili ad alte prestazioni, come alternativa ai sistemi di apprendimento della black-box machine che abbiamo usato finora”.
Conclusioni
Dall’intelligenza artificiale che rincorre quella umana ci si accontenta dell’intelligenza di un verme… Un passo avanti o indietro?
Comunque, questa strada rimarca definitivamente che il “brute force approach” o le reti neurali sono di una qualche utilità nella percezione visiva da collegare all’azione. Per raggiungere il livello funzionale della comprensione ce ne vuole e quella delle reti neurali potrebbe non essere una buona strada.
Vale sempre però ciò che affermava John Von Neumann: prima di effettuare milioni di misure, bisogna avere un modello in testa; basta anche quello del verme, almeno per la guida autonoma.
