Uno dei più grossi problemi del modello computazionale matematico introdotto da John von Neumann (Macchina di von Neumann) è la sua rigidità e l'impossibilità di rispondere a stimoli esterni (input) in maniera diversa da ciò che viene inizialmente immesso nell'elaboratore. In parole semplici, un computer, generalmente, può riconoscere e rispondere solo a stimoli che sono stati codificati precedentemente; anche le risposte, inoltre, sono sempre rigidamente decise a priori. Per tentare di risolvere questo problema, è stato introdotto il concetto di rete neurale (artificiale), preso in prestito dalla biologia, precisamente da ciò che sappiamo sul funzionamento cerebrale. La rete neurale artificiale (ANN, Artificial Neural Network) è formata da un gran numero di unità indipendenti, connesse le une alle altre mediante dei collegamenti. Questo è simile alla struttura del nostro cervello, in cui le unità sono i neuroni e i collegamenti gli assoni e le sinapsi. Un impulso (elettrico) viaggia all'interno del cervello seguendo i collegamenti: quando un neurone riceve l'impulso, se questo è abbastanza forte il neurone si "attiva" e a sua volta invia il segnale a tutti i neuroni ad esso collegati, che si comporteranno nella stessa maniera. Una ANN funziona nello stesso modo: ogni unità è collegata ad altre unità, le quali, in presenza di uno stimolo (input) di sufficiente intensità dalle unità poste "prima" di esse, si attivano e inviano il segnale alle unità collegate. I collegamenti (o gli assoni, nel caso del cervello) hanno la capacità di attenuare il segnale, in modo che questo viaggi secondo percorsi diversi e in alcune "direzioni" si spenga (cioè non sia sufficiente ad attivare alcuni neuroni). Una rete neurale possiede poi, di solito, un algoritmo che modifica i pesi (le attenuazioni) dei collegamenti, in modo che essa si adatti a fornire un certo output in risposta ad un determinato input. Esistono vari tipi di reti neurali e dunque vari modi per classificarle. La classificazione più comune è quella che le divide in supervisionate e non supervisionate. Alle reti della prima categoria viene presentato un input e osservato l'output generato, a questo punto, tenendo conto dell'output che si desiderava, vengono aggiornati i pesi dei collegamenti e presentato alla rete un nuovo input. Questa procedura è detta "addestramento" della rete. La "supervisione" consiste proprio nel conoscere che risposta ci si aspetta da un determinato input. Una rete neurale è in grado, successivamente, di dare risposte coerenti anche ad input che non erano stati presentati in fase di addestramento. La più comune rete di questo tipo, che è anche la più famosa, è quella multistrato (in cui, cioè, i nodi vengono posti in strati paralleli, generalmente 2 o 3, al massimo 4) a retropropagazione (che è il nome dell'algoritmo di addestramento), decisamente semplice da costruire anche per un programmatore poco esperto, con al più una decina di righe di codice. Un esempio classico di una rete simile è quella utilizzata per il riconoscimento di caratteri. Vengono presentati una serie di caratteri (di solito contenuti in una griglia quadrata) e la rete viene addestrata a riconoscere di che carattere si tratti. Successivamente essa sarà in grado, fornito un qualsiasi simbolo, di stabilire a quale carattere esso "somigli" di più. Le reti non supervisionate vengono generalmente utilizzate per effettuare classificazioni degli input, come le famose Reti di Kohonen (SOM, Self-Organizing Maps), che hanno un'enormità di applicazioni. Queste reti dividono gli input in categorie formate da input "simili" (secondo certi criteri) tra di loro. Una SOM, oltretutto, crea una "mappa" degli input mettendo vicini tra di loro gli input simili. Ad esempio è possibile fornire ad una SOM una serie di colori e fare in modo che essa raggruppi i colori simili. Le reti neurali, dunque, sono in grado di eseguire un'operazione impossibile a gran parte degli altri metodi dell'Intelligenza Artificiale: rispondere coerentemente a input non codificati in precedenza. Questa caratteristica è fondamentale per tutte quelle applicazioni che hanno a che fare con l'ambiente esterno (è impossibile prevedere in fase di costruzione tutte le possibili situazioni), oppure quelle in cui gli input si presentano "rumorosi" (cioè non precisi), come ad esempio il riconoscimento di forme grafiche (ad esempio, caratteri, figure geometriche, volti umani...), nell'interpretazione di segnali, nel riconoscimento vocale, nel controllo di processi di vario tipo e nei sistemi di supporto alle decisioni. Il problema principale di una rete neurale, invece, è che essa è una "scatola chiusa", è cioè molto difficile comprenderne il funzionamento e ci si deve spesso limitare a fidarsi dell'addestramento, senza avere la possibilità di controllare cosa effettivamente avviene dentro la rete. [Scheda di Daniele Calisi - e-mail: madmage@iname.com

G. Spezzano - D. Tallia, Calcolo parallelo, automi cellulari e modelli per sistemi complessi, Franco Angeli, Milano, 1999

Andy Clark, Microcognizione. Filosofia, scienza cogitiva e reti neurali, Il Mulino, Bologna, 1994

Eliano Pessa - M. P. Penna, Introduzione alla psicologia connessionistica, Di Renzo, Roma, 1993

Eliano Pessa, Reti neurali e processi cognitivi, Di Renzo, Roma, 1993