Reti Neurali Artificiali nelle Tossicodipendenze

Share this
1 dicembre, 2012 - 14:37

Massimo Buscema Direttore della Ricerca Semeion Centro Ricerche di Scienze della Comunicazione Viale di Val Fiorita, 88 — 00144 Roma, Italia Tel. ++39-06-5923622 — Fax: ++39-06-5920261 e-mail: semeion@ats.itsemeion.ricerca@agora.stm.it Internet: www.semeion.it

Riassunto

Le Reti Neurali Artificiali (RNA) appartengono alla Natural Computation, importante disciplina delle Scienze Artificiali. In Natural Computation ogni tecnica prova ad implementare un processo di apprendimento: osserva molte volte i dati che rappresentano il problema e ogni volta prova a minimizzare gli errori dell’ultima volta. La Natural Computation è l’area dove ogni ricercatore crea Sistemi Adattivi Artificiali. In Natural Computation, le RNA rappresentano una ampia famiglia di tecniche potenti, il cui scopo è quello di approssimare i parametri di ogni funzione matematica continua. Ciò significa che le RNA sono capaci di computare anche funzioni non lineari molto complesse.

Praticamente, ciò significa che le RNA sono uno strumento molto pratico per classificazioni intelligenti, previsioni temporali, cluster naturali e associazioni dinamiche intelligenti. Esistono, chiaramente, diversi tipi di RNA molto diverse tra loro. Ogni RNA è uno specifico individuo con specifiche capacità e limiti. L’abilità dei ricercatori è quella di trovare la giusta RNA per ogni specifico problema.

Nel settore sociale, le RNA sono poco utilizzate. Ciò per molte ragioni: nel settore sociale ci sono pochi soldi e gli operatori sociali sono molto coinvolti in quello che credono del loro campo, quindi spesso preferiscono essere emozionalmente felici che scientificamente corretti.

Parole chiave: Intelligenza artificiale, Reti Neurali Artificiali, Settore Sociale.

 

ABSTRACT

 

Artificial Neural Networks (ANNs) belong to the wide area of Natural Computation, a new important discipline of Artificial Sciences. In Natural Computation each technique try to implement a learning process: look at the data representing the problem many times, each time trying to minimize the errors of the last time. Natural Computation is the area where scientist create Artificial Adaptive System. ANNs represent in Natural Computation a wide family of powerful techniques, whose goal is to "aproximate" the parameters of any kind of mathematical continuos function. That means the ANNs are be able to compute also very complex non linear function.

From a practical point of view, that means that ANNs are very useful tools for intelligent classification, temporal prediction, natural clustering and intelligent and dynamic associations

ANNs, of course, are very different each other. Each ANN is a specific individual with specific capabilities and weakness. Scientist ability is to match the specific problem with the right ANN.

In the social field ANNs were used seldom. That’s for many reasons: in social field there is few money, and social scientists are too much involved in what they believe about their field. So many times they prefer to be emotionally happy, than scientifically right.

Key words: Artificial intelligence, Artificial Neural Networks, social field.

Le Reti Neurali Artificiali (RNA) sono ricomparse sulla scena scientifica negli anni ’80, dopo un lungo periodo di silenzio (dal ’60 alla fine degli anni ’70).

Da allora ad oggi hanno contribuito in modo decisivo allo sviluppo di quel nuovo campo disciplinare a cui oggi diamo diversi nomi: Nuova Intelligenza ArtificialeVita ArtificialeNatural ComputationComputational Intelligence, ecc.

La nuova forza della RNA consiste nell’essere uno strumento matematico e informatico molto potente per la comprensione e la previsione delle dinamiche dei fenomeni complessi.

La loro ispirazione al funzionamento del cervello umano ha contribuito a far intendere ai ricercatori che la loro potenza metodologica implicasse l’esistenza di una teoria del cervello molto complessa e promettente, ad esse sottostante.

Potenza matematica e ispirazione biologica hanno contribuito negli ultimi anni a indirizzare il mondo delle RNA in due direzioni piuttosto diverse:

 

  1. lo studio e la creazione di nuovi modelli di RNA adatti a sondare il funzionamento di alcune parti del cervello umano. L’assunto di queste ricerche è semplice: la comprensione scientifica di un fenomeno (il cervello e il suo funzionamento) è connessa alle capacità di simularlo, anche parzialmente, con strumenti artificiali: conosco quello che so ricreare.
  2. L’uso delle RNA in campi applicativi, la cui complessità viene ritenuta quasi proibitiva per gli strumenti tradizionali (statistica classica, sistemi esperti, ecc.). Questo indirizzo di ricerca, in un primo tempo, è stato perseguito con modalità ingenue, usando le RNA come strumenti magici che potevano trovare la soluzione a qualsiasi problema, applicandole come un farmaco onnipotente. In un secondo momento (dal ’92 in poi), è iniziato un uso più accorto di queste tecniche a problemi reali e sono stati definiti dei protocolli di progettazione delle RNA stesse:
  1. Definizione del problema da affrontare.
  2. Scelta delle variabili per rappresentare il problema.
  3. Definizione del campione di dati e sua analisi.
  4. Operazioni di preprocessing sui dati reali.
  5. Scelta delle architetture di RNA più opportune per quel tipo di problema.
  6. Eventuali ibridazione delle RNA scelte con altre tecniche di analisi.
  7. Test di validazione delle architetture scelte.
  8. Ecc..

 

L’uso delle RNA come strumenti per la risoluzione di problemi reali ha seguito una logica di diffusione tipica della cultura occidentale: prima i settori ad alta remunerazione politica e/o economica (militare, finanziaria, industriale, ecc.), poi gli altri e, spesso, senza fretta.

Il settore socio-sanitario, in questo senso, non è quasi stato segnato nella lista di questo implicito marketing scientifico. Sostenere che la tossicodipendenza è vissuta come una voce di spesa e non di profitto per quasi ogni Stato non mi sembra estremistico. È anzi più probabile che l’uso di tecniche di previsione così potenti si siano già diffuse presso i gestori del mercato delle droghe, che non presso gli operatori della cura.

Questo per dire che sarebbe ora che cominciassimo a considerare la vita più remunerativa della morte e del denaro. Ma ciò nella nostra cultura è utopia; cioè qualcosa da dire, ma non fare.

Paradossalmente il mondo delle RNA si presta meglio alla comprensione dei fenomeni bio-sociali, di quanto funzioni nella previsione dei processi di controllo industriali.

Questo per diverse ragioni:

 

  1. Le RNA sono strumenti che riescono a comprendere la dinamica di processi altamente non lineari; è noto come la banale connessione causa ®effetto sia uno dei punti deboli delle analisi sociali.
  2. Le RNA sono strumenti che non obbligano i dati a seguire le regole del loro modello, bensì sono strumenti che creano le regole sfumate e distribuite che spiegano al meglio i dati di partenza. In pratica, ogni RNA non è un modello, ma un Generatore di Modelli.
  3. Le RNA si adattano ai dati secondo una dinamica bottom-up; la complessità di un fenomeno, quindi, emerge spontaneamente dalla interazione delle sue componenti elementari; al contrario gli strumenti più classici di analisi ingabbiano i dati in una loro ipotesi costruita dall’alto (top-dow dynamics).
  4. Le RNA processano tutte le variabili di una base di dati in parallelo e senza limiti di cardinalità. Al contrario, molti strumenti classici obbligano il ricercatore a limitare e/o aggregare in modo arbitrario le variabili disponibili, o a considerarle a blocchi, o ancora a fare ipotesi di correlazione non fondate.
  5. Le RNA aggiustano le loro regole nel tempo spontaneamente, al semplice mutare dei dati di ingresso, cioè apprendono. Questo consente loro anche di simulare scenari ipotetici secondo dinamiche non lineari.
  6. Le RNA sono strutturalmente predisposte a gestire dati rumorosi, sfumati, incerti e approssimati. Rappresentano una matematica precisa dell’incertezza, al contrario di molte tecniche note che funzionano ispirandosi ad una matematica vaga dall’ovvio.

Rispetto agli strumenti tradizionali rappresentano quello che il cinematografo rappresentò per la fotografia

Queste sono alcune delle caratteristiche che fanno delle RNA strumenti particolarmente idonei per l’analisi dei comportamenti umani e sociali.

Queste stesse potenzialità, tuttavia, nascondono dei pericoli.

Le RNA sono strumenti molto complessi da progettare. Oltre il 90% del software disponibile che propone RNA non vale l’uso intelligente dei software statistici di buona qualità.

Inoltre, molte multinazionali esperte in software statistico hanno aggiunto, per problemi di mercato, librerie software con RNA. L’inesperienza in questo settore di aziende esperte in statistica, ma digiune del mondo delle RNA, ha prodotto molti "pasticci" applicativi.

Le RNA sono uno strumento con 2 o 3 varianti per chi non le conosce o le conosce poco. In realtà, le RNA sono un mondo di architetture e modelli matematici, ciascuno con una propria specificità, spesso tra loro irriducibili, anche in termini di prestazioni.

Le RNA sono strumenti che richiedono un modo di concepire i dati molto diverso da come questi vengono concettualizzati nella statistica tradizionale: apprendere a tradurre un problema reale in un problema per RNA è la competenza più complessa che ogni ricercatore deve acquisire.

Se queste competenze non vengono sviluppate è come se si volessero misurare le prestazioni del motore di una Ferrari in una strada sterrata adatta al fuoristrada.

In definitiva, le RNA sono una famiglia di strumenti estremamente potenti e utili in campo sociale e socio-sanitario, ma che richiedono, per l’utilizzatore intelligente, una conoscenza approfondita e specifica (anche se non necessariamente di tipo matematico).

I campi del mondo sociale nei quali una loro progettazione e un loro uso sono auspicabili sono moltissimi:

  • dalla personalizzazione dei processi terapeutici, fino alla previsione di vulnerabilità a vari tipi di droghe;
  • dalla progettazione di servizi socio-sanitari, fino alla simulazione dell’impatto delle campagne di prevenzione su specifiche realtà territoriali;
  • dalla verifica dei progetti terapeutici, fino alla simulazione degli effetti di alcune leggi sul comportamento tossicodipendente;
  • dalla previsione di ricaduta nell’uso di droghe, fino alla generazione di tipologie dinamiche di tossicodipendenza.

 

Ma queste possibilità sono tanto estese quanto virtuali.

La loro attualizzazione è legata ad una variabile non attualmente processabile neanche con l’uso di RNA; e la variabile in questione è la seguente: quanto gli operatori del sociale sono disposti a veder scomparire le ipotesi a cui sono affezionatiQuanto siamo disposti a ridurre la nostra centralità politica per far crescere la nostra utilità sociale?

 

 

ALEKSANDER, (ed.) 1989: I. Aleksander, Neural Computing Architecture, MIT Press, Cambridge, MA, 1989.

ANDERSON, 1988: J. A. Anderson, and E. Rosenfeld, (Eds), Neurocomputing Foundations of Research, The MIT Press, Cambridge, MA, 1988.

ARBIB, 1995: M. A. Arbib, (Edited by) The Handbook of Brain Theory and Neural Networks, A Bradford Book, The MIT Press, Cambridge, Massachusetts, London, England, 1995.

BISHOP, 1995: C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.

BUSCEMA, 1994: M. Buscema, Squashing Theory. Modello a Reti Neurali per la Previsione dei Sistemi Complessi, Collana Semeion, Armando, Roma, 1994.

BUSCEMA, 1995: M. Buscema, Self-Reflexive Networks. Theory, Topology, Applications, in Quality & Quantity, Kluwer Academic Publishers, Dordtrecht, The Netherlands, vol.29(4), pp. 339—403, November 1995.

BUSCEMA, 1995: M. Buscema, Squashing Theory: A Prediction Approach for Drug Behavior, in Drug & Society, The Haworth Press, Inc., PA, 1994, Vol. 8 n. 3/4, pp. 103-109; anche in Prevention Practice in Substance Abuse, C.G. Leukefeld and R.R. Clayton (a cura di), The Haworth Press, Inc., PA, 1995, pp. 103-109.

BUSCEMA, 1997: M. Buscema, A General Presentation of Artificial Neural Networks, in Substance Use & Misuse, 32(1), 97-112, Marcel Dekker, Inc., New York, 1997.

BUSCEMA, 1998a: M. Buscema (a cura di), Artificial Neural Networks and Complex Social Systems, in Substance Use & Misuse, vol. 33, n. 1.Theory (pp. 1—220), Marcel Dekker, New York, 1998.

BUSCEMA, 1998b: M. Buscema (a cura di), Artificial Neural Networks and Complex Social Systems, in Substance Use & Misuse, vol. 33, n. 2.Models (pp. 221—551), Marcel Dekker, New York, 1998.

BUSCEMA, 1998c: M. Buscema (a cura di), Artificial Neural Networks and Complex Social Systems, in Substance Use & Misuse, vol. 33, n. 3.Applications (pp. 553—916), Marcel Dekker, New York, 1998.

BUSCEMA, 1999a: M. Buscema & Semeion Group, Reti Neurali Artificiali e Sistemi Sociali Complessi, Vol. 1: Teoria e Modelli, Franco Angeli, Milano, 1999.

BUSCEMA, 1999b: M. Buscema & Semeion Group, Reti Neurali Artificiali e Sistemi Sociali Complessi, Vol. 2: Applicazioni, Franco Angeli, Milano, 1999.

CAUDIL, 1990: H. Caudil, and Ch. Butler, Naturally Intelligent Systems, MIT Press, Cambridge, MA, 1990.

CAUDIL, 1992: M. Caudil, and C. Butler, Understanding Neural Networks: Computer Explorations, Volume 1: Basic Networks, MIT Press, Cambridge, MA, 1992.

CHAUVIN, 1995: Y. Chauvin, and D. E. Rumelhart, (Eds.) Backpropagation: Theory, Architectures, and Applications, Lawrence Erlbaum Associates, Inc. Publishers 365 Brodway- Hillsdale, New Jersey, 1995.

CHURCHLAND, 1992: P. S. Churchland and T. J. Sejnowski, The Computational Brain, the MIT Press, Cambridge, MA, 1992.

DENKER, 1986: Y. Denker (ed), Neural Networks for Computing, AIP, New York, 1986.

ECKMILLER, 1988: R. Eckmiller, and CH. Malsburg, Neural Computers, Springer Verlag, Berlin, 1988.

FREEMAN, 1991: J. A. Freeman, and D. M. Skapura, Neural Networks, Algorithms, Application and Programming Techniques, Addison Wesley, CNV Series, Reading, MA, 1991.

GALLANT, 1993a: S. I. Gallant, Neural Network Learning and Expert System, MIT Press, Cambridge, MA, 1993.

GALLANT, 1993b: S. I. Gallant, Neural Network Learning, MIT Press, Cambridge, Massachusetts, London, England, 1993.

GALLINARI, 1995: P. Gallinari, Modular Neural Net Systems, Training of, in arbib 1995a.

GELENBE, 1991: E. Gelenbe, Neural Networks Advances and Applications, Elsevier Science Publishers, BV, Amsterdam, The Netherlands, 1991.

GROSSBERG, 1982: S. Grossberg (ed.), Studies of Mind and Brain, Volume 70 of Boston Studies in the Philosophy of Science, D. Reidel Publishing Company, 1982.

HECHT-NIELSEN, 1990: R. Hecht-Nielsen, Neurocomputing, Addison-Wesley, Reading, MA, 1990.

HINTON, 1981: G. E. Hinton, and J. Anderson, Parallel Models of Associative Memory, Erlbaum, Hillsdale, N.J., 1981.

HINTON, 1987: G. E. Hinton, and T. J. Sejnowski, Neural Network Architectures for A.I., Tutorial n. MP2, AAAI87, Scattle, WA, 1987.

HOLLAND, 1975: J. H. Holland, Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, USA, 1975.

HOPFIELD, 1982: J. J. Hopfield, Neural networks and physical systems with emergent collective computational abilities, Proceedings of the National Academy of Sciences 79: 2554-2558, in anderson 1988.

KHANNA, 1990: T. Khanna, Foundations of Neural Networks, Addison-Wesley, New York, 1990. [trad. it. Fondamenti di Reti Neurali, Addison Wesley Italia Editoriale S.R.L., Milano 1991.]

KLIMASAUSKAS, 1990: C. Klimasauskas, The 1989 Neuro-Computing Bibliography, MIT Press, Cambridge, MA, 1990.

KOSKO, 1992a: B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, NJ, 1992.

KOSKO, 1992b: B. Kosko, Neural Networks for Signal Processing, Prentice Hall, Englewood Cliffs, NJ, 1992.

McCLELLAND, 1988: J. L. McClelland, and D. E. Rumelhart, Explorations in Parallel Distributed Processing, The MIT Press, Cambridge, MA, 1988.

McCORD, 1991: M. McCord Nelson, and W. T. Illingworth, A Practical Guide to Neural Nets, Addison-Wesley, Reading, MA, 1991.

MICHIE, 1994: D. Michie, D. J. Spiegelhalter, and C. C. Taylor, Machine Learning, Neural and Statistical Classification, Ellis Horwood Limited, New York, 1994, printed and bound in GB by Bookeraft, Midsomer Norton, 1994.

MULSANT, 1990: B. H. Mulsant, A Neural Network as an Approach to Clinical Diagnosis, Neural Modeling, vol. 7, n. 1, 1990.

SCHALKOFF, 1997: R. J. Schalkoff, Artificial Neural Networks, McGraw-Hill, New York, 1997.

SIMPSON, 1990: P. K. Simpson, Artificial Neural Systems: Foundations Paradigms, Applications, and Implementations, Pergamon, Elmsford, NY, 1990.

SMITH, 1993: M. Smith, Neural Networks for Statistical Modeling, Van Nostrand Reihnold, New York, 1993.

TOURETZKY, 1988: D. S. Touretzky, Connectionist Models, Proocedings of the 1988 Summer School, Morgan Kaufman, San Mateo, CA, 1988.

TOURETZKY, 1989: D. S. Touretzky (ed.), Advances in Neural Information Processing Systems, vol. 1, Morgan Kaufman, San Mateo, CA, 1989.

TOURETZKY, 1990a: D. S. Touretzky (ed), Advances in Neural Information Processing Systems, vol. 2, Morgan Kaufman, San Mateo, CA, 1990.

TOURETZKY, 1990b: D. S. Touretzky (ed.), Connectionist Models, Proceedings of the 1990 Summer School, Morgan Kaufman, San Mateo, CA, 1990.

WASSERMAN, 1989: P. D. Wasserman, Neural Computing: Theory and Practice, Van Nostrand Reinhold, New York, 1989.

WASSERMAN, 1990: P. D. Wasserman, and R. M. Oetzel, Neural Source: The Bibliographic Guide to Artificial Neural Networks, Van Nostrand Reinhold, New York, NY, 1990.

WASSERMAN, 1993: P. D. Wasserman, Advanced Methods in Neural Computing, Van Nostrand Reinhold, New York, 1993.

WERBOS, 1974: P. Werbos, Beyond Regression: New Tools for Prediction and Analysis in Behavioral Sciences, Phd Thesis, Harvard, Cambridge, MA, 1974.

WHITLEY, 1993: L. D. Whitley (ed.), Foundation of Genetic Algorithms 2, Morgan Kaufmann, San Mateo, CA, 1993.

ZEIDENBERG, 1990: M. Zeidenberg, Neural Network Models in Artificial Intelligence, Ellis Horwood, Chicester, England, 1990.

ZIMMERMANN, 1996: H.-J. Zimmermann, Fuzzy Set Theory and its Applications, Kluver Academic, Boston, Dordrecht, London, 1996.

> Lascia un commento


Totale visualizzazioni: 441