Machine learning: Come le macchine diventano intelligenti
Scopri quali tipi di reti neurali esistono, cosa sia il machine learning e come questi principi siano usati nei sistemi di visone
Le reti neurali sono il futuro della visione artificiale
Nel nostro white paper, Peter Behringer e Dr. Florian Hoppe spiegano gli aspetti fondamentali per l'addesteamento delle reti neurali. Mettono in evidenza i passaggi preparatori essenziali e le fasi dettagliate da seguire per costruire una rete neurale.
Il processo di sviluppo delle CNN
Trasferimento di conoscenza (transfer learning)
Processori per le CNN
Come imparano le macchine e le reti neurali?
«I computer possono prendere decisioni e fare previsioni senza essere programmati». Questa affermazione è ormai comune nel mondo aziendale e trova numerosi esempi anche nel settore privato. Dopotutto, il tuo fornitore di streaming di fiducia sa sempre quali serie, film o brani musicali sono più adatti a te.
Dietro questo sistema si nasconde una rete neurale addestrata in base al tuo comportamento di utilizzo. Ogni rete neurale addestrata tramite machine learning funziona secondo questo principio — che si tratti del consumo televisivo privato o di un sistema di visione altamente complesso.
Al computer viene fornita una grande quantità di dati, detti input. Sulla base di questi dati di addestramento, la macchina apprende in modo continuo e graduale, costruendo una rete neurale. È in questa fase che avviene l’elaborazione dei dati per fornire un output adeguato.
Quali tipi di dati di addestramento esistono?
Sebbene l’ordine del processo non cambi, ci sono diversi modi in cui i dati di addestramento possono essere gestiti:
Apprendimento supervisionato: l’algoritmo riceve sia le domande sia le risposte corrispondenti. Questi dati vengono appresi in modo che, in seguito, basti assegnare correttamente le nuove domande.
Apprendimento non supervisionato: l’algoritmo riceve solo le domande e impara a riconoscere schemi e strutture all’interno dei dati. Raggruppando correttamente i dati, è possibile eseguire, ad esempio, analisi di clustering.
Apprendimento per rinforzo: il sistema interagisce con l’ambiente per imparare l’azione ottimale, commettendo errori o agendo correttamente. Le azioni sbagliate vengono penalizzate, mentre quelle corrette vengono rinforzate.
Poiché la rete neurale costituisce il nucleo dell’algoritmo e contribuisce in modo decisivo al successo del sistema, l’addestramento della rete riveste un’importanza fondamentale. Non è un caso che grandi aziende come Google, Microsoft e IBM abbiano investito ingenti somme nello sviluppo del machine learning e nella creazione di database. Google ha persino reso disponibile la propria piattaforma TensorFlow come open source, rendendola non solo accessibile pubblicamente, ma anche costantemente aggiornata e migliorata.
Focus on neural networks
A neural network is a highly complex structure and is intended to approximate the structures of our brain. Through a lot of training with large amounts of data, more and more connections are formed in the network so that the algorithm becomes better and better at performing the desired tasks. The tasks and therefore the demands placed on a neural network vary depending on the area of application.
Deep Neural Networks: DNN
Neural networks that consist of several layers are also known as DNNs and fall under the term deep learning. There is always an input layer, several hidden layers and an output layer. The hidden layers learn from each other and always use the output that they have received from the previous layer. This allows DNNs to recognize complex patterns and correlations, but in return they require a large amount of data to deliver high-quality results. Due to the many hidden layers, the interpretation of the output is often complicated as the solution path is not transparent. Nevertheless, DNNs are a popular choice for classification or pattern recognition thanks to their ability to understand complex relationships and cope with large amounts of data.
Convolutional Neural Network: CNN
This method is used for image processing and interpretation, as they are particularly good at recognizing and evaluating spatial features. Thanks to this type of machine learning, images can be interpreted in both 3D and 2D. Like DNNs, they have several layers in which the images are evaluated at pixel level. In the convolution layer, the network searches for matches in shapes and patterns in the pixels. This is always followed by a pooling layer, which simplifies the image again so that only the most important image components are retained. These layers are repeated so that the result is increasingly accurate. In the output layer, the CNN then decides what kind of object has just been "seen". CNNs must also be fed with large amounts of image data in order to deliver correct results.
Generative Adversarial Network: GAN
With this type of machine learning, you can really say that the networks learn independently. The data does not come from a database, but is generated via a "competition" between two networks. There is always a generator network and a discriminator network. The generator provides real examples and generated examples, which the discriminator network has to assess and distinguish. With each run, both networks improve and learn from each other. In the end, it is possible for the generator to generate very realistic examples. With GANs, the focus is not on interpretation but on the generation of data, which distinguishes this type of network from CNNs and DNNs.
Without machine learning, we humans would reach our limits when it comes to interpreting data. In order to do justice to the constantly growing data sets, neural networks are taking over the evaluation and interpretation for us in many industries, for example:
for object and image recognition in robots
in biometric facial recognition for surveillance systems
in warning systems for autonomous driving
with automated translation tools
in the field of warehouse automation.
So we can rather answer the question "What is machine learning?": What is it not? After all, the topics of AI and machine learning are already omnipresent in almost all sectors of our society - including your vision system. Let us advise you and find out more about how we at Basler benefit from machine learning methods in a personal meeting.
