Come le Reti Neurali Liquide Possono Ridurre le Risorse Necessarie all’Intelligenza Artificiale

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

Quando una macchina o un robot deve reagire a stimoli o dati esterni, il processo può essere estremamente oneroso in termini di risorse, causando un impedimento se si cerca di inserire l’intelligenza in uno spazio molto ridotto.

A tal proposito, VentureBeat afferma che una rete neurale classica potrebbe aver bisogno di 100.000 neuroni artificiali per mantenere la macchina stabile in un compito, come la guida di un veicolo lungo una strada.

Tuttavia, con una scoperta incredibile, il team del MIT CSAIL che sviluppa reti neurali liquide è riuscito a svolgere lo stesso compito con soli 19 neuroni.

L’ispirazione delle reti neurali liquide

Le reti neurali liquide sono un tipo di architettura di apprendimento profondo (deep learning) sviluppata per risolvere una sfida per i robot che eseguono compiti e processi di apprendimento complessi, con l’obiettivo di aggirare il problema della dipendenza dal cloud o dalla memoria interna limitata.

Daniela Rus, direttore del MIT CSAIL, ha dichiarato a VentureBeat:

“L’ispirazione per le reti neurali liquide è stata la riflessione sugli approcci esistenti all’apprendimento automatico e la considerazione di 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 ci sono la potenza di calcolo e lo spazio di archiviazione necessari”.

Il team di ricerca ha trovato un indizio per risolvere il problema nella ricerca sui neuroni biologici presenti nei piccoli organismi.

Cosa sono le reti neurali liquide?

Pensate 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 struttura cellulare molto complessa che esegue calcoli estremamente articolati.

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

Secondo Daniela Rus:

“In generale, le reti neurali liquide funzionano bene quando abbiamo dati in serie temporali… è necessaria una sequenza perché le reti liquide funzionino bene […] Tuttavia, se si cerca di applicare la soluzione delle reti liquide a un database statico come ImageNet, non funzionerà molto bene”.

Vantaggi e limiti delle reti neurali liquide

Il team di ricerca del Computer Science and Artificial Intelligence Laboratory del MIT (CSAIL) ha riscontrato i seguenti vantaggi sulla base della propria esperienza.

• Compattezza

Le reti neurali liquide possono lavorare con un numero di neuroni significativamente inferiore rispetto alle reti neurali classiche.

Come già detto, una rete neurale classica ad apprendimento profondo avrebbe bisogno di 100.000 neuroni per mantenere un’auto a guida autonoma nella sua corsia, mentre una rete neurale liquida ha bisogno di soli 19 neuroni.

• Causalità

Le reti neurali liquide gestiscono la causalità meglio delle reti neurali classiche ad apprendimento profondo. Sono in grado di individuare una chiara relazione tra la causa e gli effetti, cosa che le reti neurali classiche ad apprendimento profondo faticano a fare.

Ad esempio, le reti neurali liquide sono in grado di identificare in modo coerente le relazioni di causa-effetto tra gli eventi in diversi contesti in modo più efficiente rispetto alle reti neurali classiche.

• Interpretabilità

La comprensione dell’interpretazione dei dati da parte di un sistema IA è una delle maggiori sfide del settore.

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

Tuttavia…

Le reti neurali liquide non sono una soluzione completa per tutto.

Mentre gestiscono bene i flussi di dati continui, come i segnali audio, i dati sulla temperatura o i flussi video, hanno difficoltà con i dati statici o fissi, che sono più adatti ad altri modelli di intelligenza artificiale.

In conclusione

Nel panorama dell’IA, le reti neurali liquide sono tra i modelli emergenti più cruciali.

Coesistono con la classica rete neurale ad apprendimento profondo, ma sembrano più adatte a compiti estremamente complessi come la guida autonoma, la lettura della temperatura o del clima e la valutazione del mercato azionario, mentre la classica rete neurale ad apprendimento profondo fa un lavoro migliore con dati statici o una tantum.

I ricercatori del Computer Science and Artificial Intelligence Laboratory del MIT (CSAIL) stanno cercando di estendere le capacità delle reti neurali liquide a più casi d’uso, ma ci vorrà del tempo.

Sia le reti neurali liquide che quelle classiche ad apprendimento profondo hanno un ruolo ben definito nel panorama più ampio dell’intelligenza artificiale, ed è sicuramente un caso in cui due modelli sono meglio di uno.