Glossario

Reti neurali artificiali (RNA)

Che cos’è Reti neurali artificiali (RNA)?

Le reti neurali artificiali (RNA) sono modelli di calcolo composti da molte unità collegate («neuroni»), disposte in strati, che elaborano gli input tramite connessioni pesate. Durante l'addestramento i pesi vengono regolati passo dopo passo sulla base di esempi, di solito con la backpropagation. Le RNA sono alla base del deep learning e si trovano nel riconoscimento di immagini e del parlato e nei grandi modelli linguistici. Nonostante l'ispirazione biologica, funzionano in modo molto più semplice del cervello umano.

Temi

Deep learning
Fondamenti di IA
Modelli

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Deep learning

Il deep learning (apprendimento profondo) è un ramo del machine learning che utilizza reti neurali artificiali con molti strati. Queste reti imparano da grandi quantità di dati quali caratteristiche sono rilevanti, dai bordi nelle immagini ai legami di significato nei testi. Il deep learning è alla base degli attuali modelli linguistici, del riconoscimento di immagini e voce e della traduzione automatica, e di solito richiede molta potenza di calcolo e molti dati di addestramento.

reti neurali
machine learning
+1

Retropropagazione (backpropagation)

La retropropagazione dell'errore (backpropagation) è il metodo standard con cui le reti neurali apprendono. Dopo ogni previsione si misura l'errore e lo si propaga all'indietro attraverso gli strati della rete, calcolando quanto ciascun peso vi abbia contribuito. Un metodo di ottimizzazione come la discesa del gradiente aggiorna poi i pesi passo dopo passo. Senza backpropagation l'addestramento degli attuali modelli linguistici e visivi sarebbe praticamente impossibile.

Reti neurali
Addestramento
+1

Funzioni di attivazione

Le funzioni di attivazione stabiliscono con quale intensità un neurone di una rete neurale artificiale trasmette il proprio segnale. Introducono la non linearità: solo così la rete può rappresentare relazioni complesse come il linguaggio o le immagini. Esempi diffusi sono ReLU, che azzera i valori negativi, la sigmoide per probabilità tra 0 e 1 e GELU, usata in molti modelli transformer. La scelta influisce su velocità e stabilità dell'addestramento.

Reti neurali
Deep learning
+1

Transformer

Il Transformer è un'architettura di rete neurale presentata nel 2017 nell'articolo scientifico «Attention Is All You Need». Il suo cuore è il meccanismo di attenzione: ogni parola viene pesata in relazione a tutte le altre parole del testo, e il calcolo si presta bene alla parallelizzazione. I Transformer sono alla base degli odierni modelli linguistici come GPT, Claude o BERT e si usano anche per immagini e audio.

Architettura
Deep learning
+1