# Graph Neural Network: la prossima fase del Deep Learning

Nello sviluppo dell’[Intelligenza Artificiale](https://www.ionos.it/digitalguide/online-marketing/vendere-online/intelligenza-artificiale-di-cosa-si-tratta-e-a-cosa-serve/) il processo di apprendimento è decisivo. Il [Machine Learning](https://www.ionos.it/digitalguide/online-marketing/analisi-web/machine-learning-cose-lapprendimento-automatico/) (e il [Deep Learning](https://www.ionos.it/digitalguide/online-marketing/marketing-sui-motori-di-ricerca/deep-learning/) in particolare) vengono utilizzati per addestrare gli algoritmi e quindi insegnare al software a pensare in modo autonomo. Il riconoscimento facciale, ad esempio, si basa su tecnologie di questo tipo. Le **reti neurali artificiali** sono alla base di molti approcci di Machine Learning: gli algoritmi del software sono progettati come una rete di nodi, su ispirazione del modello del sistema nervoso umano. Un nuovo approccio è costituito dalle cosiddette Graph Neural Networks. Come funziona questa tecnologia?

## Come funzionano le Graph Neural Networks?

Le Graph Neural networks (GNN) sono una nuova sotto forma delle reti neurali artificiali (in inglese: Artificial Neural networks) **basata su grafici**. Per comprenderle, bisogna prima sapere cosa si intende per grafico in questo contesto.

In informatica, questo termine si riferisce a un certo tipo di dati: un grafico è costituito da diversi punti (nodi o *vertices*) che sono collegati tra loro (tramite angoli o *edges*) e che formano quindi delle coppie. Un esempio semplice: la persona A e la persona B possono essere rappresentate in un grafico come punti. Il loro rapporto è dato dal loro collegamento. Se i collegamenti fossero omessi, si avrebbe una semplice raccolta di persone o di dati.

Una nota sotto forma di grafico è l’albero: qui i nodi sono collegati in modo tale che tra il punto A e il punto B ci sia sempre un solo percorso possibile (anche attraverso più nodi). Gli angoli possono avere una direzione oppure no. In un grafico, **i collegamenti sono importanti quanto i dati stessi**. Possono essere assegnati degli attributi sia agli angoli che ai nodi.

Un grafico è quindi particolarmente adatto a rappresentare le condizioni del mondo reale. Questo è esattamente ciò di cui si occupa il Deep Learning: rendere tangibili per il software le condizioni naturali. Una Graph Neural Network permette esattamente questo: i nodi raccolgono informazioni dai loro vicini in quanto si scambiano regolarmente messaggi tra loro. In questo modo, la Graph Neural Neutwork è in grado di apprendere: le informazioni vengono trasmesse e incluse nelle proprietà del rispettivo nodo.

[YouTube video](https://www.youtube.com/watch?v=cWIeTMklzNg) Consiglio Volete saperne di più e approfondire quest’argomento? Il Natural Language Processing Lab dell’Università di Tsinghua ha pubblicato su GitHub un’ampia [raccolta di articoli scientifici sul tema GNN](https://github.com/thunlp/GNNPapers "Articoli in inglese riguardanti GNN su GitHub").

## Dove vengono utilizzate le Graph Neural Networks?

Finora sono stati soprattutto gli scienziati a occuparsi delle possibilità offerte dalle Graph Neural Networks. Tuttavia, le possibilità di applicazione sono molteplici. La GNN può entrare in gioco ogni volta che situazioni o processi in cui le relazioni hanno un ruolo importante devono essere mappati attraverso reti neurali.

- **Mercato finanziario**: le previsioni di mercato possono diventare più affidabili grazie alla comprensione delle transazioni.
- **Motori di ricerca**: per valutare il grado d’importanza dei siti web, i collegamenti tra le pagine sono fondamentali.
- **Social Network**: una migliore comprensione delle relazioni tra le persone può aiutare a ottimizzare i social media.
- **Chimica**: la composizione delle molecole può essere mappata tramite grafici e può quindi essere trasferita nelle GNN.
- **Sapere**: per una trasmissione ottimale del sapere, la comprensione dei legami tra le informazioni è fondamentale.

Le Graph Neural Networks sono già utilizzate anche nel **riconoscimento delle immagini e in quello vocale**. Le informazioni non strutturate e naturali possono, in determinate circostanze, essere elaborate meglio da una GNN che dalle reti neurali tradizionali.

## Vantaggi e svantaggi delle Graph Neural Networks

Le Graph Neural Networks possono risolvere le sfide che le reti neurali tradizionali non sono state finora in grado di superare. Prima i dati basati su un grafico non potevano essere elaborati correttamente, perché le **connessioni dei dati** non erano sufficientemente ponderate. Nelle GNN, tuttavia, i cosiddetti angoli sono importanti quanto i nodi stessi.

Tuttavia, alcuni problemi, già presenti nelle reti neurali tradizionali, restano irrisolti nelle Graph Neural Networks, soprattutto il **problema della black box**: è difficile comprendere come una (Graph) Neural Network arrivi alla valutazione finale, poiché i processi interni degli algoritmi complessi difficilmente possono essere compresi dall’esterno.


This is a markdown version of: [https://www.ionos.it/digitalguide/online-marketing/marketing-sui-motori-di-ricerca/graph-neural-network/](https://www.ionos.it/digitalguide/online-marketing/marketing-sui-motori-di-ricerca/graph-neural-network/) for AI/LLM consumption.