Cos'è una rete neurale?

Una rete neurale è un modello matematico organizzato a strati di unità interconnesse (i "neuroni" artificiali), ispirato molto vagamente al funzionamento del cervello. Ogni unità riceve numeri in ingresso, li combina con dei pesi e produce un output; impilando più strati, la rete impara a riconoscere pattern via via più astratti, dai bordi di un'immagine ai concetti che rappresenta. L'addestramento è il processo che regola milioni (o miliardi) di questi pesi confrontando le previsioni della rete con la realtà, e correggendo l'errore un po' alla volta. L'algoritmo che guida questa correzione, la backpropagation, calcola quanto ogni singolo peso ha contribuito all'errore finale e lo aggiusta in proporzione, ripetendo il ciclo su milioni di esempi finché le previsioni non convergono verso la realtà osservata. Il numero e la disposizione degli strati, insieme al modo in cui le unità si collegano tra loro, definiscono l'architettura della rete: scelte diverse (convoluzionali per le immagini, ricorrenti per le sequenze, transformer per il linguaggio) riflettono ipotesi diverse su come è fatto il problema che si vuole risolvere.

Perché è tornata al centro della scena

Le reti neurali esistono dagli anni '50, ma per decenni sono rimaste un'idea accademica: mancavano dati in quantità e potenza di calcolo per addestrarle davvero. Gli anni 2010 hanno cambiato entrambe le cose, e il deep learning (reti con molti strati) ha iniziato a battere ogni altro approccio su immagini, audio e testo. Le architetture più recenti (i transformer, alla base degli LLM) sono reti neurali specializzate a gestire sequenze lunghe e relazioni a distanza tra le parole di un testo.

Cosa serve sapere in azienda

Una rete neurale non "capisce" nel senso umano del termine: approssima una funzione molto complessa tra input e output, imparata dai dati che ha visto. Questo spiega sia la sua forza (generalizza bene su problemi non strutturati come testo e immagini) sia i suoi limiti (può comportarsi in modo imprevedibile fuori dai dati su cui è stata addestrata, ed è opaca da spiegare). Per problemi su dati tabellari strutturati, un modello più semplice (un decision tree o un gradient boosting) spesso vince ancora su accuratezza, costo e spiegabilità: la rete neurale è lo strumento giusto quando il problema è genuinamente non strutturato, non di default.