Big data e deep learning: un nuovo modello matematico per creare sistemi artificiali intelligenti

Nel vasto mare dei big data, tra enormi quantità di informazioni da esplorare e analizzare, trovare rapidamente e con precisione le risposte che si stanno cercando è sempre più fondamentale. Per farlo esistono sistemi di deep learning capaci di apprendere compiti specifici a partire dall’analisi dei dati disponibili. Fino ad oggi però, descrivere questi complessi meccanismi matematici, individuandone i singoli componenti, non era affatto semplice.

Uno studio realizzato da un gruppo tutto italiano di ricercatori e appena pubblicato su “Nature Machine Intelligence” punta ora a cambiare le cose, grazie ad un nuovo modello scientifico che apre la strada allo studio delle “macchine matematiche” pensate per esplorare i big data e al loro utilizzo per creare sistemi artificiali intelligenti.

“Abbiamo messo a punto una nuova teoria matematica grazie alla quale è possibile arrivare ad estrarre le informazioni più importanti a partire dal grande universo di quelle disponibili”, conferma Patrizio Frosini, professore associato al Dipartimento di Matematica dell’Università di Bologna che ha collaborato allo studio.

Nato nel campo della topologia computazionale lo studio presenta un modello scientifico in grado di descrivere come il mondo dei dati viene filtrato e trasformato. “Gli elementi fondamentali di questo modello – dice ancora il professor Frosini – sono macchine che trasformano le informazioni, chiamate ‘operatori’, che possono essere combinate in reti molto complesse. Studiare le proprietà di questi operatori ci permette di comprendere meglio il loro funzionamento e rendere quindi più efficienti i sistemi di elaborazione dei dati”.

Il modello messo a punto dai ricercatori offre allora suggerimenti preziosi per arrivare a costruire sistemi intelligenti capaci di risolvere problemi complessi grazie all’analisi dei big data. “Questi sistemi – spiega Patrizio Frosini – sono in grado di produrre sintesi significative di grandi basi di dati e si spera possano in futuro arrivare a riconoscere somiglianze tra due forme con la stessa abilità di un essere umano: una capacità che potrebbe essere applicata, ad esempio, per interpretare in modo corretto i sintomi di una malattia”.

Lo studio è stato pubblicato su “Nature Machine Intelligence” con il titolo “Towards a topological-geometrical theory of group equivariant non-expansive operators for data analysis and machine learning”. Per l’Università di Bologna hanno partecipato Patrizio Frosini e Nicola Quercioli, entrambi afferenti al Dipartimento di Matematica. Hanno partecipato inoltre Mattia G. Bergomi e Daniela Giorgi.

I risultati teorici descritti nell’articolo sono stati ottenuti all’interno della linea di ricerca “Mathematical Foundations of Topological Data Analysis” presso ARCES – Advanced Research Center on Electronic Systems “Ercole De Castro”, centro di ricerca dell’Università di Bologna.