A cosa serve e come funziona il deep learning

Capire cosa è il deep learning e, soprattutto, in quali campi trova la sua naturale collocazione non è più una opzione. Se ne parla più o meno dal 2010, ma è solo da pochi anni che le prime applicazioni concrete hanno visto la luce.

Il merito della diffusione della sua diffusione è soprattutto di IBM, ma non solo, e del suo ecosistema di partner che possono contare su una piattaforma come IBM Watson Studio per sviluppare progetti ad alto potenziale innovativo, soprattutto tra le grandi aziende.

Cosa è il deep learning

Per definire cosa è il deep learning dobbiamo andare a ritroso fino al concetto più generico di intelligenza artificiale. L’idea di base dell’intelligenza artificiale è di realizzare un software in grado di eseguire operazioni tipiche del cervello umano.

Il machine learning, invece, è quella parte dell’intelligenza artificiale che si occupa di “insegnare” a un elaboratore ad analizzare determinati eventi al fine di creare una reazione propria e indipendente nel momento in cui si ripresentano situazioni simili.

Gli algoritmi di machine learning acquisiscono dei dati, li elaborano e, in base ai risultati dell’elaborazione, si modificano da soli per affrontare in modo autonomo il prossimo problema simile: imparano in base all’esperienza e si adattano di conseguenza. Ed è qui che entra in gioco il deep learning.

Come funziona il deep learning

Per essere efficace, un algoritmo di machine learning deve essere in grado di elaborare simultaneamente enormi quantità di dati, come fa il cervello umano e per questo ha necessità di strumenti hardware di elaborazione molto potenti.

A questo punto possiamo illustrare cosa è il deep learning e cosa fa. Quando se ne parla si fa riferimento a una famiglia particolare di algoritmi di machine learning realizzati sfruttando le reti neurali. Si tratta di reti di elaborazione delle informazioni composte da singole unità di calcolo indipendenti che, opportunamente collegate tra loro, sono in grado di apprendere informazioni dai dati che processano.

Deep learning e reti neurali

Le reti neurali sono il terreno in cui si muove il deep learning. Note anche come reti neurali artificiali (ANN) o reti neurali simulate (SNN), le reti neurali sono un sottoinsieme dell’apprendimento automatico e sono al centro degli algoritmi di deep learning.

Il loro nome e la loro struttura sono ispirati al cervello umano, imitando il modo in cui i neuroni biologici si segnalano l’un l’altro. Le reti neurali artificiali (ANN) sono costituite da strati di nodi, contenenti uno strato di input, uno o più strati nascosti e uno strato di output. Ogni nodo, o neurone artificiale, si connette a un altro e ha un peso e una soglia associati. Se l’output di un singolo nodo è superiore al valore di soglia specificato, quel nodo viene attivato, inviando i dati al livello successivo della rete. In caso contrario, nessun dato viene trasferito al livello successivo della rete.

Le reti neurali, dunque, sono il modello di elaborazione che sfruttano gli algoritmi di deep learning. Senza le reti neurali, gli algoritmi di intelligenza artificiale perderebbero l’ambiente principale in cui agire.

Deep learning e machine learning: le differenze

Come abbiamo già specificato, il machine learning è la componente dell’Intelligenza Artificiale che, in qualche modo, si occupa di misurare le operations dell’intelligenza artificiale.

In particolare, gli algoritmi di machine learning insegnano al computer a risolvere i problemi partendo da centinaia o migliaia di esempi, imparando da essi e quindi usando quell’esperienza per risolvere lo stesso problema in nuove situazioni.

Il deep learning è, a sua volta, una componente particolare del machine learning in cui i computer possono realmente apprendere e prendere decisioni intelligenti da soli. Il deep learning, insomma, implica un livello di automazione più profondo rispetto alla maggior parte degli algoritmi di machine learning.

Come costruire un algoritmo di deep learning

Nel concreto possiamo identificare due fasi del processo di deep learning. La fase iniziale di training, in cui una rete neurale “vergine” viene esposta a moltissimi esempi di associazioni dato-etichetta. Per esempio, consideriamo il riconoscimento delle immagini, uno degli ambiti in cui è più utilizzato, insieme al Natural Language Processing.

L’associazione in questo caso avviene tra l’immagine di un’automobile e la relativa etichetta “automobile”, oppure associando l’immagine di una bicicletta con un’etichetta “bicicletta” e così via. Il processo prosegue finché l’algoritmo non è in grado di compiere questa associazione in maniera autonoma e con una buona accuratezza.

A questo punto la rete si considera addestrata, e si può passare alla fase detta “di inferenza” – in altre parole la rete neurale è pronta per essere messa in produzione e, considerando sempre il riconoscimento delle immagini, potrà iniziare a identificare le immagini processate senza necessità di supervisione esterna.

LEGGI ANCHE: COSA E’ IL RICONOSCIMENTO FACCIALE E PERCHE’ E’ UTILE

Alcuni esempi e casi d’uso

Inquadrata la questione e fatti i dovuti distinguo, illustriamo i campi di applicazione. I mercati verticali in cui si utilizza e in cui sarà utilizzato il deep learning nel prossimo futuro sono principalmente:

Automotive e Trasporti. Dalle auto a guida autonoma ai trasporti pubblici e alle autostrade, il modello è già una realtà, anche in Italia, soprattutto per risolvere le problematiche relative alla sicurezza. Le compagnie autostradali, per esempio, analizzano le immagini delle videocamere per prevenire ingorghi e blocchi stradali.

Settore Manifatturiero e Industria 4.0. Un esempio di applicazione riguarda l’analisi dei prodotti per l’individuazione e lo scarto di quelli che presentano difetti di fabbricazione. Ma il deep learning può risultare molto utile in diverse fasi della catena produttiva, dalla prototipazione al montaggio.

Broadcast, Media ed Entertainment. Anche in questi mercati i campi di applicazione sono innumerevoli. Si passa dall’analisi delle notizie e la verifica delle fonti alla ricerca di fake news fino alla ricerca istantanea dei frame più utili per realizzare gli highlights di una partita (a Wimbledon fanno così grazie a IBM Watson). Ma anche Netflix e Amazon usano il deep learning per migliorare l’esperienza personale dei loro servizi di streaming. In questo ambito, come nell’ambito musicale, si utilizzano questi algoritmi per individuare tendenze e intercettare i desideri del pubblico. E rendere sonoro un film muto? Anche questo si può realizzare.

Altri campi di applicazione

Web Services e Retail. Anche in questo caso le informazioni elaborate da una piattaforma di deep learning hanno l’obiettivo principale di migliorare istantaneamente l’esperienza utente in base alle reazioni registrare su una base molto ampia di consumatori e utenti.

Sicurezza privata e pubblica. Le Smart Cities sono certamente tra i contesti in cui il deep learning troverà casa. Anche in questo caso si parte dall’analisi delle immagini per definire dei comportamenti e, di conseguenza, prevenire quelli che minano la sicurezza di cose e persone. Insomma, prevenire un reato con il deep learning rischia di diventare qualcosa di più reale di un episodio di Person of Interest.

Medicina e Biologia. Infine, l’ambito medico, la biologia, il farmaceutico hanno tutti gli occhi puntati sul deep learning. Da sempre impegnati a gestire maree di dati in poco tempo, questi mercati possono tutti sfruttare le peculiarità di questi algoritmi per studiare comportamenti microscopici, prevedere reazioni e realizzare nuove cure in tempi molto ridotti.

Le prospettive future

Quali possono essere le prospettive future di un sistema così sofisticato? Il limite è solo l’immaginazione, si potrebbe dire. In effetti, non è così, il limite potrebbe essere solo il tempo. Bisogna avere pazienza per osservare tutto il potenziale di questo tipo di tecnologie.

In primo luogo, ciò che limita la massima espressione di questi sofisticati algoritmi è la capacità di elaborazione. Ci vogliono computer particolarmente potenti, in grado di eseguire milioni di operazioni in frazioni di secondo. Ed è per questo che i brand più interessati all’Intelligenza Artificiale attendono con ansia l’arrivo, e soprattutto la riduzione di prezzo, dei computer quantistici.

Le architetture hardware a disposizione, per quanto possano migliorare le prestazioni, presentano un limite fisico intrinseco alla tecnologia che si risolve solo riprogettando l’elaborazione. Ed è quello che si sta facendo con i computer quantistici.

Esistono già degli elaboratori quantistici, ma il loro costo non è abbordabile se non dalle grandi organizzazioni, dalle Istituzioni, dai centri di ricerca, dalle aziende che lavorano in ambito militare e dal Pharma. Dunque, ci vorranno ancora anni prima che i computer quantistici possano avere un prezzo abbordabile.

Un’alternativa, che si sta già sfruttando, è il calcolo parallelo. In questo modo, si distribuisce l’elaborazione tra diversi computer connessi tra loro, ma si rischia in termini di latenza e di affidabilità nella condivisione delle informazioni.

Altra questione da risolvere riguarda l’apprendimento. La qualità dei sistemi di machine learning e di deep learning si basa esclusivamente sull’autoapprendimento e su come viene instradato l’algoritmo, dall’uomo. Oggi è ancora necessario un livello di modulazione dei sistemi particolarmente oneroso in termini di tempo e di risorse umane da impiegare. Il futuro sarà certamente di chi riuscirà a ridurre i tempi di apprendimento e di chi filtrerà a monte i dati realmente utili per l’analisi.

Ci aspettiamo, insomma, delle piattaforme applicative ancora più potenti che supportino l’uomo nel miglioramento dell’autoapprendimento e nell’eliminazione dei dati ridondanti.