Rilevazione di persone mediante scheletro 3D con telecamere di profondità

L'intelligenza artificiale si propone di sviluppare delle macchine dotate di capacità autonome, di apprendimento, di adattamento e che siano ispirate ai modelli di apprendimento umani. Diversi anni fa ci furono delle scoperte che, nonostante un periodo di scoraggiamento, hanno rivoluzionato il mondo della tecnologia. Da sempre l'uomo ha cercato di costruire macchine pensanti, prendendo spunto dal funzionamento del cervello umano. Le unità responsabili del passaggio d'informazioni nel cervello sono i neuroni e in uno studio del 1943, Warren Sturgis McCulloch e Walter Pitts, introdussero un neurone artificiale [9].

Tale studio schematizzò un combinatore lineare a soglia con dati binari in entrata e un singolo dato binario in uscita. Le prime ipotesi di apprendimento furono introdotte dallo psicologo canadese Donald Olding Hebb, che propose un modello di neurone basato sul funzionamento complesso dei neuroni del cervello umano [10]. Il primo schema di rete neurale per il riconoscimento e classificazione di forme, antesignano delle attuali reti neurali è da attribuire a Frank Rosenblatt [11]. Esso fornì un'interpretazione dell'organizzazione generale dei sistemi biologici ed era in grado di apprendere in modo simile a una rete neurale, rafforzando o indebolendo le connessioni tra neuroni vicini e interconnessi. Inoltre, utilizzava funzioni booleane linearmente separabili. L'interesse e l'euforia di tali studi, tuttavia, nel 1969 furono notevolmente ridimensionate da Marvin Minsky e Seymour A. Papert, i quali mostrarono i limiti operativi dell'apprendimento delle semplici reti a due strati basate sul percettrone [12].

A causa di queste limitazioni, seguì un periodo di diffidenza, durante il quale tutte le ricerche in questo campo non ricevettero più alcun finanziamento dai governi. Ciò portò a far ristagnare la ricerca per oltre un decennio. Nonostante molti anni prima del 1982, il matematico Paul Werbos nella sua tesi dimostrò come addestrare le reti MLP (Multi-Layers Perceptron), solo l'intervento di John Hopfield, nel suo studio sui modelli di riconoscimento di pattern molto generali, riaprì degli spiragli per la ricerca nel campo dell'intelligenza artificiale.

Pochi anni più tardi, David E. Rumelhart, Geoffrey Hinton e Ronald J. Williams introdussero uno dei metodi più noti ed efficaci per l'addestramento delle reti neurali: il cosiddetto algoritmo di retropropagazione dell'errore (error backpropagation). Esso modifica sistematicamente i pesi delle connessioni tra i nodi, così che la risposta della rete si avvicini sempre di più a quella desiderata. Tale lavoro fu prodotto riprendendo il modello creato da Werbos [13].

L'addestramento di une rete neurale avviene in due diversi fasi: forward- pass e backward-pass. Nella prima fase, i vettori in input sono elaborati dai nodi in ingresso con una propagazione in avanti dei segnali attraverso ciascun livello della rete. Durante questa fase i valori dei pesi della rete sono tutti fissati. Nella seconda fase la risposta della rete viene confrontata con l'output desiderato ottenendo l'errore di classificazione. Questo errore è propagato nella direzione inversa rispetto a quella del passo forward-pass. Infine, i pesi vengono modificati in modo da minimizzare la differenza tra l'uscita attuale e l'uscita desiderata. Attraverso questo algoritmo è stato possibile superare le limitazioni del modello introdotto da McCulloch e Pitts. Infatti, viene risolto il problema della separabilità non lineare.