Per essere avvertiti a tempo
Le reti neurali sono il tentativo degli scienziati di modellizzare il cervello umano, nella speranza di ottenere l'intelligenza artificiale (AI). Le reti sono usate per modellizzare relazioni complesse di input-output. Come gli uomini, le reti neurali acquisiscono la conoscenza mediante l'apprendimento e la conservano sotto forma di fattori di ponderazione neurale. Il Neural Networks Laboratory dell'università di Milano sta impiegando reti neurali allo scopo di ridurre il tasso di incidenti automobilistici. Il monitoraggio continuo dell'elettrocardiogramma dei guidatori, della respirazione, della risposta galvanica della pelle e della temperatura corporea hanno fornito i dati relativi al loro livello di attenzione. Dall'altro lato, sono stati registrati anche i parametri del veicolo, come velocità, accelerazione, angolo di sterzata e così via. Questi due flussi di dati hanno fornito l'input per una rete neurale ibrida Multi-Layer Perceptron (MLP). Poiché le reti neurali debbono essere formate, la fase successiva ha comportato una formazione intensiva. È stata impiegata la tecnica di retro propagazione, in cui l'input viene alimentato nell'MLP e i fattori di ponderazione vengono regolati fino ad ottenere l'output desiderato. L'applicazione della teoria di formazione PAC (Probably Approximately Correct) ha aiutato a definire la quantità di formazione occorrente. Una volta completata la formazione, sono state stabilite le regole che disciplinano nell'MLP il gioco tra entità simboliche e subsimboliche. Lo scambio tra il tempo di calcolo e il risultato era equilibrato in modo intelligente mediante l'applicazione di uno schema d'ottimizzazione geminata simulata. Quanto alla strada, le procedure che richiedono la massima attenzione del guidatore dovevano essere definite usando i parametri disponibili. Il sistema, in cui tutti questi dati confluiscono, controlla lo stato di salute del conducente durante l'esecuzione di queste procedure e, basandosi sull'output della rete, fornisce un prezioso feedback visivo. Per ora il sistema può essere classificato come prototipo. Per portarlo ad una fase più avanzata, occorrono partenariati con organizzazioni dotate delle competenze complementari.
