TECNOLOGIA

Una rivoluzionaria struttura a grafo, costituita da milioni di termini, concetti e relazioni cognitive pre-modellati, permettono una eccezionale riduzione dei tempi di addestramento e utilizzi non possibili con soluzioni che adottano reti neurali tradizionali.

CORE

La base di conoscenza di Axél è organizzata in una struttura dati a grafo i cui nodi, sia di tipo ‘concetto’ che di tipo ‘dato base’, rappresentano dei concetti o legami semantici tra di essi ed a differenza delle normali mappe semantiche il sistema è di fatto in grado di fare inferenza grazie all’algoritmo proprietario appositamente sviluppato ovvero una rete neurale a grafo di nuova concezione.
Le reti neurali normalmente in uso sono molto potenti, in grado di risolvere anche problemi molto complessi (anche non linearmente separabili).
Di contro tipicamente hanno delle problematiche a volte estremamente limitanti:
– La modellazione delle reti neurali, ovvero la determinazione della loro topologia, è estremamente difficile, nonché un problema NP completo.
– Trovata la migliore modellazione della rete neurale questa è assolutamente rigida, nessuna modifica ai nodi è permessa a meno di effettuare nuovamente tutto il processo di addestramento imbattendosi nuovamente nelle problematiche al punto precedente.
L’algoritmo sviluppato da axélero prevede la creazione di un grafo costituito da milioni di nodi e relazioni e la sua architettura si ispira alla fisica quantistica, poiché ogni nodo del grafo, è di fatto un qubit, simulando la capacità di assumere più valori contemporaneamente, consentendo le seguenti funzionalità esclusive:

  • Gestione tempi verbali
  • Gestione Persone verbali
  • Gestione del mood

CORE PER NATURAL LANGUAGE PROCESSING E UNDERSTANDING (NLP/NLU)

In un contesto come quello della elaborazione e comprensione del linguaggio naturale, con milioni di nodi neurone e rispettive relazioni, l’approccio studiato da axélero permette di essere invariante alla dimensione della rete neurale e delle sue connessioni.

PROCESSO DEDUTTIVO

Prendendo come esempio un contesto legale in cui vogliamo recuperare delle sentenze sulla base dell’interpretazione di ricerche in linguaggio naturale, per la frase “si può comprare un’iguana?”
il processo deduttivo segue le seguenti logiche:
1. Viene ricercato il sotto-grafo che contiene tutti i concetti presenti nella frase che portano ad una inferenza
2. Vengono attivati i nodi in input (quelli presenti nella frase)
3. I segnali vengono propagati ai nodi successivi del percorso
4. Tra tutte le inferenze presenti si cerca, se esiste, quella che è stata attivata divenendo il risultato

FASI

– Definizione del contesto
– Analisi grammaticale
– Analisi sintattica
– Analisi semantica
– Disambiguazione
– Realizzazione grafo cognitivo

(N.B il sottografo estratto NON è una semplice mappa semantica, ma una rete neurale a tutti gli effetti)

VANTAGGI

Questa combinazione di strutture dati ed algoritmi permette due grossi vantaggi:
• Estrema rapidità nell’addestramento, in quando lavorando per concetti
– non sono necessarie grosse quantità di casi di test
– Il legame tra concetti, si propaga per tutti gli altri concetti ed inferenze portando ad uno snellimento del processo di addestramento

• Precisione ed accuratezza nettamente superiori rispetto alle reti neurali tradizionali
• La rete neurale è dinamica nella sua struttura, nodi, concetti ed inferenze possono essere aggiunti e/o rimossi in tempo reale senza compromettere il modello matematico al contrario delle reti neurali tradizionali in cui ogni singola modifica alla struttura comporta un nuovo addestramento della stessa.
• Strumenti proprietari per facilitare l’alimentazione della base di conoscenza da documenti o fonti dati esistenti.
• Separazione delle logiche di analisi delle immagini ed inferenza per sfruttare al meglio entrambe le peculiarità. Le reti neurali CNN (reti a convoluzione) possono dedicarsi in maniera indipendente ed al meglio a descrivere il contenuto dell’immagine. La soluzione di axélero può procedere in maniera indipendente a fare inferenza. Grazie a questa separazione, se si vuole aggiungere, modificare, cancellare un concetto non c’è bisogno di addestrare nuovamente tutto (con lunghe ore di addestramento ed i svantaggi che ne comporta in termini di prestazioni), basta una semplice operazione.