Le serie di dati temporali sono onnipresenti e vitali per la comprensione del mondo: l’elaborazione video, i dati finanziari e le applicazioni di diagnostica medicale sono solo degli esempi di serie di dati temporali che sono fondamentali per la società. Analizzare questi dati in tempo reale e utilizzarli per anticipare il comportamento futuro può stimolare lo sviluppo di tecnologie emergenti e migliorare la qualità della vita. A tale scopo, i ricercatori del MIT hanno sviluppato un tipo di rete neurale in grado di adattarsi alla variabilità dei sistemi del mondo reale che apprende anche sul campo e non solo durante la fase di training. Questi algoritmi flessibili, denominati reti “liquide”, infatti, cambiano le loro equazioni sottostanti per adattarsi continuamente ai nuovi input di dati. Questa flessibilità è cruciale perché se il comportamento della maggior parte delle reti neurali viene corretto dopo la fase di addestramento, non riuscendo ad adattarsi ai cambiamenti nel flusso di dati in entrata, la fluidità della nuova rete “liquida” la rende più responsiva a dati inattesi o a interferenze sonore. Inoltre, è molto più interpretabile perché attraverso la sola modifica di un neurone si possono esplorare alcuni gradi di complessità prima impossibili e aggirare così l’imperscrutabilità comune ad altre reti neurali, esaminare la “scatola nera” del processo decisionale della rete e diagnosticare il motivo per cui la rete ha effettuato una certa caratterizzazione.
Prospettive
Il progetto potrebbe aiutare il processo decisionale basato su flussi di dati che cambiano nel tempo, rendendo queste nuove reti l’elemento chiave dei futuri sistemi di intelligence, come quelli per la diagnostica medica o di guida autonoma.
