I ricercatori del Massachusetts Institute of Technology (Mit) hanno sviluppato un tipo di rete neurale in grado di “apprendere” mentre opera e non solo durante la sua fase di “addestramento”. Questi algoritmi flessibili, denominati reti “liquide”, cambiano le loro equazioni sottostanti per adattarsi continuamente ai nuovi input dati, aprendo orizzonti rivoluzionari per i processi decisionali basati su flussi di dati che cambiano nel tempo, coinvolti ad esempio nell’ambito della guida autonoma. “Il potenziale è davvero significativo” ha affermato Ramin Hasani, l’autore principale dello studio. La ricerca sarà presentata alla conferenza Aaai di febbraio sull’intelligenza artificiale.
Come funzionano le reti neurali
“Il mondo reale è incentrato su sequenze di dati. Come anche la nostra percezione – non si percepiscono immagini, si percepiscono sequenze di immagini”, ha spiegato Hasani. “Quindi, i dati delle serie temporali creano effettivamente la nostra realtà”. Le vicissitudini di questi flussi di dati in continua evoluzione possono essere imprevedibili. Tuttavia, proprio la loro analisi in tempo reale e le implicazioni di tale analisi sono fondamentali per migliorare tecnologie emergenti come le auto a guida autonoma. Da qui il lavoro del team del Mit. Hasani ha progettato una rete neurale in grado di adattarsi alla variabilità dei sistemi del mondo reale. La rete di Hasani si è distinta in una serie di test. Ha superato altri algoritmi di serie temporali all’avanguardia di alcuni punti percentuali nella accuratezza della previsione dei valori futuri dei set di dati analizzati, relativi a settori che sono andati dalla chimica atmosferica ai modelli di traffico. Inoltre, le dimensioni ridotte della rete hanno consentito di completare i test senza un elevato costo di elaborazione.
