Nel campo dell’Intelligenza Artificiale, gli Hidden Layers (o strati nascosti) rappresentano il nucleo delle reti neurali artificiali. Posizionati tra l’input iniziale e l’output finale, elaborano le informazioni ricevute in input al fine di produrre l’output. La presenza di questi strati è proprio ciò che definisce il Deep Learning, una sottocategoria del Machine Learning che consente lo svolgimento di compiti estremamente complessi mediante sistemi AI.
Un sistema di Deep Learning è una rete neurale composta da numerosi strati e in grado di modellare relazioni complesse. Ma in che cosa consiste una rete neurale? Una rete neurale è un programma di Machine Learning che prende decisioni, utilizzando processi che imitano il modo in cui i neuroni biologici del cervello umano lavorano insieme per identificare fenomeni, pesare opzioni e arrivare a conclusioni. Come il cervello umano è composto da neuroni muscolari che dipendono dai neuroni sensoriali a cui sono connessi, allo stesso modo una rete neurale artificiale si compone di neuroni artificiali che formano reti interconnesse. In particolare, si compone di neuroni di input, neuroni di output e neuroni nascosti, ovvero hidden. Ai neuroni di input, quelli del primo strato, viene assegnato un valore numerico in modo che questo strato, nel suo complesso, codifichi le informazioni sulla base delle quali bisogna prendere una decisione. Una volta che i nodi del primo strato hanno assunto un valore numerico, passano l’informazione relativa ad esso agli strati nascosti. Gli strati nascosti, o intermedi, eseguono calcoli sulle informazioni ricevute dallo strato di neuroni input e trasferiscono il risultato allo strato finale, quello dei neuroni output, che rappresenta una codifica del risultato del calcolo, ovvero la decisione finale.
Ogni neurone è connesso ad ogni altro neurone dello strato successivo ed ogni connessione tra neuroni possiede un peso. I pesi sono i parametri che determinano l’importanza di ciascun input per il calcolo dell’output. In pratica, i pesi sono i coefficienti che moltiplicano l’input associato, influenzando così il contributo di quell’input all’output complessivo del neurone. Il peso di ogni singola connessione costituisce l’elemento fondamentale che viene modificato durante l’addestramento. L’addestramento consiste in un processo in cui il modello viene esposto a una vastissima quantità di dati (esempi) dai quali impara autonomamente, grazie all’esperienza, a riconoscere specifici pattern e relazioni tra gli input e i risultati attesi. Attraverso questa continua elaborazione, il sistema ottimizza le proprie prestazioni e riduce il margine di errore aggiustando costantemente i parametri interni della rete fino a fornire le decisioni o classificazioni desiderate. Modificando i pesi, la rete neurale può apprendere come riconoscere pattern nei dati ed effettuare previsioni precise.
Un ulteriore elemento su cui l’addestramento agisce è il bias. Il bias è un valore costante che viene sommato al calcolo degli input pesati una volta che un neurone riceve gli input da tutti gli altri neuroni connessi ad esso. Anche il bias viene modificato durante l’addestramento. Regolando il bias, la rete può imparare a compiere previsioni più accurate e ad adattarsi meglio ai dati di addestramento. Grazie all’aggiustamento di pesi e bias, una rete neurale è in grado di raggiungere una forma che le permette di trattare un problema decisionale relativo al mondo reale producendo decisioni accettabili. L’aggiustamento di pesi e bias e il loro uso avviene proprio nella parte di rete tra lo strato di input e quello di output, ovvero nello strato nascosto.
Il funzionamento dei sistemi di Deep Learning fa affidamento su una vastissima quantità di dati e, in caso si abbia l’obiettivo di trattare problemi molto complessi, su reti che possono avere fino a centinaia di strati. Questo ha fatto sì che solo di recente, grazie all’incremento esponenziale della capacità computazionale e alla maggiore reperibilità di dati, si sia cominciato a fare un uso sistematico di modelli AI di questo genere.
Gaia Vilma Polce