Il deep learning (DL) è una branca dell’apprendimento automatico, oltre che una delle tecnologie più promettenti nell’ambito dell’intelligenza artificiale (IA), ma in cosa si differenzia dal machine learning (ML) e dall’IA tradizionale?
In questo articolo, cercheremo di capire cosa sia il deep learning e quali differenze intercorrono tra i vari tipi di IA, proponendo alcuni esempi pratici.
Continua a leggere.
Indice dei contenuti
Cos’è l’intelligenza artificiale?
Innanzitutto, cos’è l’intelligenza artificiale? L’IA è la scienza che si occupa di creare sistemi informatici in grado di svolgere compiti che normalmente richiedono l’intelligenza umana, come il riconoscimento di oggetti, la comprensione del linguaggio naturale, la risoluzione di problemi e l’apprendimento.
In altre parole, l’IA è un ramo dell’informatica che studia la progettazione di agenti intelligenti, ovvero sistemi capaci di percepire l’ambiente in cui operano e di agire perseguendo specifici scopi.
L’IA, pertanto, è la capacità delle macchine di simulare le capacità cognitive umane, come il ragionamento, la pianificazione e la creatività.
L’IA si suddivide in 3 categorie.
1. Intelligenza artificiale debole
L’intelligenza artificiale debole si riferisce a quei sistemi che eseguono un solo tipo di compito, come vincere una partita a scacchi o identificare una persona all’interno di una foto. Questa è la forma più diffusa e realizzata di IA al giorno d’oggi.
2. Intelligenza artificiale generale
L’intelligenza artificiale generale riguarda, invece, sistemi più complessi, in grado di raggiungere lo stesso livello d’intelligenza di un essere umano con un QI medio e di svolgere compiti come capire il contesto, l’umorismo e le emozioni. Trattasi della forma più ambiziosa e sfidante di IA, ancora in fase di sviluppo.
3. Intelligenza artificiale superiore
L’intelligenza artificiale superiore, oggi, non esiste; se ci fosse supererebbe l’intelligenza di qualsiasi essere umano e potrebbe svolgere compiti a lui preclusi, come creare nuove forme di vita o colonizzare altri pianeti. È, probabilmente, la forma più speculativa e controversa di IA, che potrebbe avere, per l’umanità, degli esiti imprevedibili.
Cos’è il machine learning?
Il machine learning è una branca dell’intelligenza artificiale riguardante la capacità dei sistemi complessi di apprendere automaticamente da cluster di dati, al fine di fare previsioni o prendere decisioni.
Il machine learning, o apprendimento automatico, si basa su algoritmi matematici che analizzano dati, identificano pattern e costruiscono modelli predittivi.
Esistono 2 tipi di ML.
1. Machine learning supervisionato
Il machine learning supervisionato prevede la realizzazione di sistemi di apprendimento di dati etichettati, cioè dati che contengano sia le informazioni di input che di output. Ad esempio, un sistema di machine learning supervisionato può classificare le e-mail in spam o non spam, usando un insieme di e-mail già etichettate come tali.
2. Machine learning non supervisionato
Il machine learning non supervisionato utilizza, diversamente, sistemi di apprendimento di dati non etichettati, cioè dati che non contengono sia le informazioni di input che di output, ma solo le prime. Nella fattispecie, un sistema di machine learning non supervisionato sa raggruppare le immagini in base alla loro somiglianza, senza sapere a priori a quali categorie appartengano.
Cos’è il deep learning?
Il deep learning è una ulteriore sottobranca del machine learning; si occupa di creare sistemi d’intelligenza artificiale complessi basati su reti neurali artificiali.
Le reti neurali artificiali sono modelli computazionali ispirati al funzionamento del cervello umano, formati da più strati di unità (solitamente due o tre), chiamate neuroni. Ogni neurone riceve degli input provenienti dai neuroni degli strati precedenti, li elabora grazie a una funzione matematica complessa e produce un output per i neuroni dello strato successivo, e così via.
Il deep learning deve il proprio nome all’utilizzo di reti neurali profonde, cioè con molti strati di neuroni, in grado di apprendere rappresentazioni complesse e astratte dei dati, altrimenti impossibili da ottenere con metodi tradizionali di machine learning.
Il successo del deep learning, ad oggi, è dovuto alla grande disponibilità di big data e, lato hardware, all’avvento di potenti unità di elaborazione centrale (CPU) e grafica (GPU), che accelerano l’apprendimento.
I risultati sono sorprendenti e trovano applicazione in più ambiti, come:
- il riconoscimento facciale;
- la traduzione automatica;
- la generazione di immagini e testi;
- la diagnosi medica;
- la guida autonoma.
Quali sono le differenze tra il deep learning, il machine learning e l’IA tradizionale?
Come abbiamo visto, il deep learning, il machine learning e l’IA tradizionale sono concetti tra loro correlati, ma con delle differenze significative. Possiamo riassumerle così:
- l’IA tradizionale si basa su regole logiche e simboliche definite a priori da degli esperti. È efficace per risolvere problemi ben definiti e strutturati, ma ha dei limiti quando si tratta di gestire dati complessi, variabili e non strutturati;
- il machine learning utilizza algoritmi statistici per apprendere in modo autonomo dai dati e risolvere, in tal modo, problemi che richiedono adattamento e generalizzazione, ma ha dei limiti di fronte a dati scarsi, rumorosi o ad alta dimensionalità;
- il deep learning si fonda su reti neurali artificiali che apprendono in modo gerarchico e non lineare. Come il machine learning, viene impiegato per risolvere problemi complessi con la differenza che, trattandosi di una comprensione più profonda e astratta, richiede ingenti risorse computazionali, con gli unici limiti della robustezza e sicurezza dei dati.
Deep learning vs machine learning
Gli algoritmi del deep learning, rispetto a quelli utilizzati dal machine learning, sono più “malleabili”, ovvero hanno un codice più dinamico, e vengono adoperati per l’analisi di grandi quantità di dati.
Inoltre, il deep learning:
- non richiede la progettazione di feature, poiché le reti neurali generano automaticamente e autonomamente quelle richieste, partendo dai dati grezzi;
- può lavorare con dataset non strutturati, costituiti da file di immagini, video e audio (il machine learning, invece, funziona meglio con dati tabulari);
- richiede grandi quantità di dati di addestramento, nell’ordine di miglia o milioni di esempi;
- ha una maggior capacità di astrazione e apprendimento di concetti complessi;
- è, sotto il profilo computazionale, più intensivo, richiede cioè risorse hardware più potenti.
Deep learning vs IA tradizionale
L’IA tradizionale, detta anche simbolica, utilizza regole predefinite e logica formale per risolvere i problemi. Il deep learning, di contro, impara dalle esperienze (o meglio dai dati, anche grezzi come abbiamo visto) più che dalle regole.
L’IA tradizionale tende a funzionare bene in domini già definiti e limitati, ma ha difficoltà a gestire situazioni impreviste o a scalare grandi quantità di dati. Il deep learning, invece, eccelle in ambienti dinamici e complessi, pur richiedendo enormi quantità di dati e potenza di calcolo.
I 5 (possibili) migliori utilizzi del deep learning
Secondo la multinazionale Oracle, che vende software e tecnologie per database, i 5 migliori possibili utilizzi del deep learning, sono quelli qui a seguire.
Social media
L’apprendimento profondo può essere utilizzato per analizzare un elevato numero d’immagini (come quelle presenti sui social media) per targettizzare gli utenti.
Finanza
Le reti neurali artificiali possono prevedere i valori aziendali, identificare le minacce e/o sviluppare strategie di negoziazione.
Sanità
Il deep learning può aiutare a comprendere il comportamento dei pazienti, permettendo d’individuare il trattamento per loro migliore.
Sicurezza informatica
Gli algoritmi di deep learning non solo sono in grado di rilevare le minacce, ma offrono anche soluzioni efficaci contro virus, spyware e malware.
Assistenti digitali
L’elaborazione del linguaggio naturale (NLP) ci permette di avere assistenti digitali come Siri, Cortana, Google Assistant, Alexa, ecc. che sfruttano l’intelligenza artificiale conversazionale per offrici le migliori risposte.
Le sfide più importanti
Sebbene l’implementazione del deep learning all’interno delle aziende e della PA sia in fieri, sussistono alcune limitazioni e sfide importanti d’affrontare, come:
- l’elaborazione di grandi quantità di dati che richiede, come anzidetto, risorse hardware esose;
- la mancanza di flessibilità, tradotta nell’impossibilità delle macchine di agire al di fuori del proprio ambito di pertinenza;
- la mancanza di trasparenza, determinata dalla difficoltà di capire come l’IA giunga alla risposta.
Nonostante i predetti ostacoli, i data scientist sono sempre più vicini alla creazione di modelli di deep learning altamente accurati, precisi e in grado di apprendere senza supervisione esterna.
Deep learning in breve
Riassumendo, il deep learning crea modelli che possono prendere decisioni autonome sulla base di esempi, senza bisogno di regole pre-programmate. In tal senso, l’apprendimento profondo rappresenta un passo in avanti cruciale nello sviluppo dell’IA.
È l’approccio che imita in modo più fedele il funzionamento del cervello umano, imparando direttamente dai dati e dalla loro combinazione, anziché seguire rigide regole.
Un “comportamento”, in conclusione, che consente al deep learning di ottenere performance migliori rispetto al machine learning e all’IA tradizionale, specie in compiti come il riconoscimento vocale, delle immagini e la traduzione automatica.
Scegli PMF Research per sviluppare progetti di deep learning
PMF Reserach è un centro di ricerca e sviluppo (R&S) nato nel 2003 e afferente al cluster di aziende JO Group; si occupa di ICT, realtà virtuale, intelligenza artificiale e big data.
Se hai trovato questo articolo interessante, desideri approfondire il tema e, perché no, realizzare un progetto imprenditoriale che riguardi il deep learning, contattaci compilando il contact form qui in basso o chiamando al numero 0957225331. Un team di esperti è qui per rispondere a ogni tua domanda.
