s
INTELLIGENZA ARTIFICIALE
IL TEMA
M. Carratù, V. Gallo, V. Laino, C. Liguori, A. Pietrosanto
Incertezza “Artificiale” Misurare con l’intelligenza artificiale
“ARTIFICIAL” UNCERTAINTY: HOW TO MEASURE WITH ARTIFICIAL INTELLIGENCE The aim of this work is to analyze Artificial Intelligence methodologies, particularly Artificial Neural Networks, as a measurement tool. In more detail, the focus of the work is to investigate the possibility of propagating the uncertainty of the measurements provided as input to these tools analogously to how it is done for typical measurement procedures. RIASSUNTO L’obiettivo di questo lavoro è quello di analizzare le metodologie d’Intelligenza Artificiale, in particolare le Reti Neurali Artificiali, come strumento di misura. Più nel dettaglio, il focus è quello d’indagare la possibilità d’impiegare un approccio analitico alla valutazione dell’incertezza delle misure fornite in uscita.
LE RETI NEURALI ARTIFICIALI COME STRUMENTO DI MISURA
Negli ultimi anni la diffusione dell’Intelligenza Artificiale [1], e in particolare delle Reti Neurali Artificiali (Artificial Neural Networks, ANN), sta proseguendo a ritmi sempre maggiori in numerosi e diversificati ambiti, sia di ricerca sia applicativi. Le ragioni dell’enorme diffusione delle ANN sono imputabili principalmente al loro paradigma di apprendimento, incentrato su un approccio guidato dai dati, che consente quindi di avere inizialmente una conoscenza parziale o nulla del modello che si intende riprodurre [2]. Questa operazione infatti, denominata addestramento, si serve di una grande quantità di dati, etichettati o meno, al fine di adattare il modello di rete neurale a questi ultimi. In sostanza le reti neurali apprendono per esempi, in modo del tutto similare a come apprendiamo noi esseri umani nel corso della nostra vita [4]. A seguito dell’addestramento, la rete viene impiegata per fornire le uscite in relazione a ingressi sempre nuovi. Se questa caratteristica consente di ottenere modelli estremamente robusti, difficilmente ottenibili con metodologie tradizionali, essa ha come
risvolto negativo la necessità di possedere una grande quantità di dati prima di poter riprodurre il modello desiderato. La gestione di questi dati è affrontata dalla disciplina denominata “Big Data Analysis” [3], che studia come utilizzare al meglio questa grande mole di informazioni. Sebbene la produzione sempre più massiccia di dati di ogni genere degli ultimi anni abbia consentito un utilizzo più frequente ed efficace delle reti neurali, essa ha anche determinato una sorta di “disattenzione” verso la qualità dei dati stessi, e soprattutto di come l’architettura e il funzionamento della rete neurale possa influenzare la qualità dei dati ottenuti in uscita. Questo aspetto non si può assolutamente trascurare se le ANN sono impiegate nell’ambito delle misure. Quando viene scelto uno strumento di misura, la prima operazione che dev’essere effettuata è l’analisi delle specifiche metrologiche dello strumento, per capire se esso può essere impiegato nel caso d’interesse e quale sia l’incertezza da associare alle misure effettuate. La stima dell’incertezza deve, quindi, essere estesa alle reti neurali poiché queste vengono ormai impiegate anche in applicazioni rischiose, dove conosce-
re la qualità delle misure prodotte consente di prendere decisioni più sicure e congrue al rischio del contesto applicativo. In particolare, queste applicazioni possono afferire ad ambiti già di per sé “mission critical”, come ad esempio il campo medico oppure quello del controllo di grandi macchinari industriali, e quindi della sicurezza sul lavoro [5]. Un altro esempio può essere la guida autonoma: l’Intelligenza Artificiale è spesso impiegata in tale ambito, ma un’elevata incertezza nella valutazione e nel calcolo delle distanze degli altri veicoli e pedoni, potenzialmente anche di pochi centimetri, può creare grandi rischi e danni, a cose e persone. Gli obiettivi della ricerca attuale riguardano pertanto la possibilità di dotare le reti neurali artificiali di un “datasheet”, contenente informazioni propedeutiche alla stima dell’incertezza delle uscite fornite. PROBLEMATICHE DI RICERCA
Le ANN si possono raggruppare in due macro-classi: le reti che svolgono operazioni di regressione, cioè che forniscono uno o più risultati numerici, e quelle di classificazione sui dati, che forniscono solamente un output categorico. In questa memoria si considerano solo le ANN che realizzano la regressione e si vuole valutare come stimare l’incertezza dei risultati prodotti. L’incertezza del risultato fornito è dovuta sia alla fase di addestramento sia a quella d’inferenza. L’incertezza dovuta all’addestramento rappresenta la “bontà” del modello realizzato ed è anche indicata come incertezza epistemica. In letteratura esistono diverse Dip. Ingegneria Industriale (DIIN), Università di Salerno tliguori@unisa.it
T_M N. 4/23 17
