Trovare rapidamente delle risposte nel vasto mare dei big data \u00e8 sempre pi\u00f9 importamte. Se esistono sistemi di deep learning capaci di apprendere compiti specifici a partire dall\u2019analisi dei dati disponibili, fino ad oggi descrivere questi complessi meccanismi matematici, individuandone i singoli componenti, non era affatto semplice. Quello che manca \u00e8 la matematica dei big data.<\/p>\n
Un gruppo tutto italiano di ricercatori ha realizzato uno studio, appena pubblicato su Nature Machine Intelligence<\/b>, che punta a cambiare le cose grazie ad un nuovo modello scientifico che apre la strada allo studio delle macchine matematiche<\/b> pensate per esplorare i big data e al loro utilizzo per creare sistemi artificiali intelligenti.<\/p>\n
\u201cAbbiamo messo a punto una nuova teoria matematica grazie alla quale \u00e8 possibile arrivare ad estrarre le informazioni pi\u00f9 importanti a partire dal grande universo di quelle disponibili\u201d<\/i>, conferma Patrizio Frosini<\/b>, professore associato al Dipartimento di Matematica dell\u2019Universit\u00e0 di Bologna che ha collaborato allo studio.<\/p>\n
Nato nel campo della topologia computazionale \u2013 un\u2019area di ricerca che unisce matematica e informatica \u2013 lo studio presenta un modello scientifico in grado di descrivere come il mondo dei dati viene filtrato e trasformato.<\/p>\n
\u201cGli elementi fondamentali di questo modello<\/i> \u2013 dice ancora Frosini<\/b> \u2013 sono macchine che trasformano le informazioni, chiamate \u2018operatori\u2019, che possono essere combinate in reti molto complesse. Studiare le propriet\u00e0 di questi operatori ci permette di comprendere meglio il loro funzionamento e rendere quindi pi\u00f9 efficienti i sistemi di elaborazione dei dati.\u201d<\/i><\/p>\n
Il modello messo a punto dai ricercatori offre allora suggerimenti preziosi per arrivare a costruire sistemi intelligenti capaci di risolvere problemi complessi grazie all\u2019analisi dei big data.<\/p>\n
\u201cQuesti sistemi<\/i> \u2013 spiega Patrizio Frosini<\/b> \u2013 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 abilit\u00e0 di un essere umano: una capacit\u00e0 che potrebbe essere applicata, ad esempio, per interpretare in modo corretto i sintomi di una malattia.\u201d<\/i><\/p>\n
Lo studio \u00e8 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<\/b>. Per l\u2019Universit\u00e0 di Bologna hanno partecipato Patrizio Frosini e Nicola Quercioli, entrambi afferenti al Dipartimento di Matematica. Hanno partecipato inoltre Mattia G. Bergomi (Champalimaud Centre for the Unknown, Portogallo) e Daniela Giorgi (CNR – Istituto di scienza e tecnologie dell’informazione “Alessandro Faedo”).<\/p>\n
I risultati teorici descritti nell’articolo sono stati ottenuti all’interno della linea di ricerca Mathematical Foundations of Topological Data Analysis<\/b> presso ARCES \u2013 Advanced Research Center on Electronic Systems “Ercole De Castro”, centro di ricerca dell\u2019Universit\u00e0 di Bologna.<\/p>\n","protected":false},"excerpt":{"rendered":"
L’articolo, pubblicato su Nature Machine Intelligence, apre la strada allo studio delle \u201cmacchine matematiche\u201d pensate per risolvere problemi complessi<\/p>\n","protected":false},"author":1,"featured_media":441,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[84],"class_list":{"0":"post-440","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-attualita","8":"tag-big-data"},"yoast_head":"\n