Machine learning e cervello umano: sempre più simili

Negli ultimi anni stiamo assistendo ad innovazioni che sempre di più rivoluzionano la nostra vita. Sono molti i settori che ormai sono stati travolti dall’avvento di oggetti sempre più tecnologici. Alcuni di questi oggi ci consentono di essere più smart, di semplificare alcune azioni del nostro quotidiano e apportare nella nostra vita un maggiore comfort.

Una delle ambizioni più grandi dell’innovazione ha sempre riguardato però il cervello umano. La macchina umana per eccellenza risulta essere ancora oggi una delle macchine più complesse e misteriose che esistano per cui è difficile replicarne le caratteristiche e i meccanismi.

Questo non ha scoraggiato però i molti team di scienziati e ricercatori informatici che quotidianamente cercano di elaborare dei computer che possano avvicinarsi sempre di più al meccanismo e alla struttura del cervello umano. Oggi siamo ancora lontani dallo sviluppare un sistema informatico che riesca davvero ad imitarlo. Sono però molti i dati raccolti dalle numerose ricerche condotte, soprattutto nell’ottica dello sviluppo di alcuni algoritmi che riescono ad imitare i calcoli eseguiti dal nostro cervello. Uno dei campi in cui questi algoritmi vengono impiegati riguarda il Machine Learning. Vediamo di cosa si tratta.

Machine Learning: cos’è

I ricercatori che per primi si sono interessati all’intelligenza artificiale volevano scoprire se i computer potessero riuscire ad apprendere dai dati. Il Machine Learning nasce proprio da qui, dalla teoria che i computer possano davvero imparare ad eseguire dei compiti specifici senza essere programmati per farlo. Il tutto grazie al riconoscimento di schemi e dati.

Il termine Machine Learning fu coniato per la prima volta nel 1959 da Arthur Samuel e costituisce oggi una branca dell’informatica. Il Machine Learning è infatti un sottoinsieme dell’intelligenza artificiale (AI) che crea sistemi che apprendono o migliorano le prestazioni in base ai dati che utilizzano. Più in nello specifico, quando parliamo di Machine Learning facciamo riferimento a una serie di meccanismi differenti che permettono a una macchina intelligente di poter migliorare le proprie capacità e prestazioni nel tempo. Alla base di questo apprendimento automatico ci sono diversi algoritmi che, partendo da nozioni base, sanno prendere una decisione precisa e effettuare azioni che nel corso del tempo vengono poi apprese. Sostanzialmente quindi è un metodo di analisi che automatizza la costruzione dei modelli analitici.

L’aspetto più importante del Machine Learning è quello della ripetitività: più i modelli sono esposti ai dati, più i computer sono in grado di adattarsi in modo autonomo.

I diversi apprendimenti nella Machine Learning

Realizzare macchine intelligenti non è facile, ma nonostante la strada per la loro costruzione sia stata lunga e complessa, oggi possiamo disporre di differenti modalità di apprendimento, che si differenziano tra loro per gli algoritmi utilizzati e per lo scopo per cui sono realizzate.

A seconda di quale algoritmo viene utilizzato per permettere alla macchina di imparare ed accumulare informazioni e dati, si possono individuare tre differenti sistemi di apprendimento automatico. A seconda della macchina su cui si deve operare, vengono utilizzati in modo differente, riuscendo così a garantire la massima performance e il migliore risultato possibile alla risposta agli stimoli esterni.

Ecco quali sono i tre sistemi di apprendimento:

  • Supervisionato: consiste nel fornire alla macchina un sistema informatico contenente una serie di nozioni specifiche e codificate, ovvero modelli ed esempi che permettono al computer di costruire un vero e proprio database di informazioni e di esperienze. Quando la macchina si troverà di fronte ad un problema dovrà soltanto attingere alle esperienze già presenti nel proprio sistema, analizzarle e decidere quale risposta dare sulla base di esperienze che ha già codificato. Questo sistema di apprendimento viene ad esempio utilizzato nell’ambito medico;
  • Non supervisionato: prevede che le informazioni inserite all’interno della macchina non siano codificate. La macchina ha quindi la possibilità di attingere a determinate informazioni senza avere alcun esempio del loro utilizzo. Questo sistema di apprendimento offre una grande libertà di scelta alla macchina, che dovrà innanzitutto organizzare le informazioni e imparare quali siano risultati migliori per differenti situazioni;
  • Per rinforzo: sicuramente il sistema di apprendimento più complesso. Prevede che la macchina sia dotata di sistemi e strumenti in grado di migliorarne l’apprendimento e di comprendere le caratteristiche dell’ambiente circostante. Alla macchina vengono forniti una serie di supporti come sensori, telecamere e GPS in modo da rilevare quanto avviene nell’ambiente circostante per permetterle di effettuare le giuste scelte. Questo tipo di apprendimento è tipico ad esempio delle auto senza pilota.

Le applicazioni nella vita quotidiana

Il Machine Learning è oggi utilizzato ovunque e la tecnologia associata a queste macchine si sta sviluppando molto rapidamente.

Un’applicazione classica riguarda ad esempio quella del riconoscimento vocale di cui sono dotati molti smartphone o oggetti che rientrano nell’ambito della domotica.

Un altro utilizzo dell’apprendimento automatico è legato all’uso dei computer e della rete, mentre tra gli esperimenti che hanno avuto un maggiore successo di apprendimento artificiale – ma ancora in fase sperimentale e non in commercio – sono i veicoli senza pilota.

Machine Learning e cervello umano: traguardo possibile?

Replicare la struttura ed i meccanismi del cervello umano non è un’impresa facile. Nonostante i numerosi studi, la strada sembrerebbe ancora lunga e piena di sfide. In realtà sono però stati inseriti tasselli importanti per raggiungere questo traguardo.

Le reti neurali convoluzionali rappresentano infatti uno step importante, in quanto considerate un approccio all’apprendimento automatico già utilizzabile e pratico.

Il ricercatore Eman Hasan sta provando un altro approccio al calcolo dell’intelligenza artificiale che possa essere utilizzato negli algoritmi. Eman sta infatti sviluppando il cosiddetto “calcolo iperdimensionale”. Si tratta di una tipologia di calcolo che potrebbe portare i sistemi odierni di intelligenza artificiale verso una vera e propria imitazione del cervello umano. Questo tipo di calcolo usa vettori di grandi dimensioni ed è ispirato ai modelli di attività neurale del nostro cervello.

Secondo il ricercatore Eman Hasan si tratta di un modello di calcolo che potrebbe nettamente ridurre le richieste di calcolo e di potenza per gli attuali algoritmi di intelligenza artificiale, in primis quelli di Machine Learning.

Questo nuovo tipo di approccio potrebbe davvero spianare la strada per arrivare ad imitare un meccanismo complesso come quello del cervello umano. La strada, seppur ancora lunga, non sembra essere poi così in salita.

Fonti:

https://notizie scientifiche.it/calcolo-iperdimensionale-in-sviluppo-per-imitare-sempre-piu-cervello-umano/

https://www.oracle.com/it/data-science/machine-learning/what-is-machine-learning/

https://www.sas.com/it_it/insights/analytics/machine-learning.html

https://www.lorenzogovoni.com/machine-learning-e-funzionamento/

INVIA LA TUA CANDIDATURA

Battery/Hybrid Control Engineer

Ruolo:

 Battery/Hybrid Control Engineer for Ferrari spa

System Platform:

  • HEV
  • PHEV (Plug-in)
  • EV

We are looking for an individual to join our team of dedicated engineers to develop, implement and debug advanced controls and observers for High Voltage Battery and Hybrid Energy Management applications. This person will be highly motivated, able to analyze and create complex models and simplify it in order to design the best controller possible. This person will work collaboratively with many groups of application, simulation, and software engineers. Responsibilities Validate on real measurement of model build from simulation engineers. Design different type of automated controls in order to guarantee the limit operation condition. All this controls are involved in a larger system: the entire vehicle, so all the interaction between components must be take into account.

All the implemented logics must be tested in MIL (Model-In the –Loop) SIL (Software- In the –Loop) by the candidate. Support for the software and application engineers is needed to finish the test in HIL (Hardware- In the – Loop) and directly on the test bench or inside the vehicle.

The candidate should be able to suggest innovative solutions to improve the entire system performance or simplify the current state of art of the different strategy implemented by the Hybrid Control group.

Requirements:

  • > 1+ years of MATLAB/Simulink development.
  • > 1+ years of experience in development of advanced automatic controls. C coding and MISRA knowledge.
  • Preferred Qualifications:
  • MS or PhD in Engineering, automation, electrical, electronic preferred.
  • One-plus (1+) years engineering experience in battery system control/estimation or electric machine controls.
  • Excellent technical skills in engineering, mathematics, and numerical methods.
  • Record of innovation is desirable: invention disclosures, patents, technical publications. Knowledge of the main tool for application and SW testing in automotive (Inca, DSpace).
  • Experience in electrical, thermal measurement including verification of measurement precision/tolerance.

Permanent Contract : full time

System integration per Whirlpool


TOP-ENGINEER è alla ricerca di Laureati in Ingegneria Elettronica, Elettrica, Informatica, Meccatronica e dell’Autoveicolo con almeno un esperienza di almeno 1 anni di lavoro per la sede di Cassinetta(VA)

RESPONSABILITA’:

  • Organizzare e controllare l’attività di ottimizzazione dei componenti elettrici/elettronici;
  • Verificare le anomalie di produzione del componente e verificarne la possibile soluzione con il team ed il proprio responsabile;
  • Collaborare al meglio con il gruppo per risolvere anche le piccole problematiche di produzione;
  • Perseguire gli obiettivi dell’azienda di cost reduction;
  • Raccogliere dal supervisor i dati per le ottimizzazioni del componente e portare avanti le modifiche richieste con l’utilizzo dei reparti di R&D;
  • Collaborare alla stesura delle modifiche, e far realizzare il prototipo per capire se la modifica è migliorativa o no;
  • Presentare un report sulla attività lavorative svolte con frequenza mensile;
  • Trasferire al gruppo di lavoro tutte le informazioni necessarie per completare le attività e comprendere le motivazioni degli errori svolti.


REQUISITI:

  • Esperienza minima di lavoro 1-2 anni;
  • Conoscenza componentistica elettrica/elettronica;
  • Disponibilità al trasferimento nella zona di lavoro;
  • Capacità di imparare velocemente e di mettersi in gioco;
  • Capacità di problem-solving, valutazione dei risultati raggiunti, pianificazione delle attività con largo anticipo e analisi dei dati in autonomia;
  • Spiccata capacità organizzativa;
  • La conoscenza della lingua inglese è obbligatorio;


La posizione è full time.

Il tipo di contratto e di retribuzione saranno proposti in linea alle caratteristiche del candidato.