Nell’ampio vocabolario dell’intelligenza artificiale c’è una tecnica sempre più diffusa che promette di affrontare i problemi più complessi: il deep learning. Grazie all’impiego delle reti neurali profonde, il deep learning consente di correlare i dati con una capacità di elaborazione di gran lunga superiore rispetto ai sistemi di apprendimento automatico delle precedenti generazioni, a cominciare dalla possibilità di utilizzare, oltre ai dati strutturati, anche i dati non strutturati.
Vediamo quindi in cosa consiste il deep learning, quali sono le sue potenzialità, le sue applicazioni e quali saranno le criticità da affrontare per arrivare sempre più vicini ad un’intelligenza artificiale in grado di replicare il funzionamento del cervello umano.
Cos’è il deep learning
Il deep learning è convenzionalmente considerato quale una sottobranca del machine learning, con cui condivide la natura di apprendere e migliorare sé stesso attraverso l’impiego di algoritmi. Mentre il machine learning si focalizza su problemi specifici, il deep learning impiega le reti neurali profonde, chiaramente ispirate alla struttura neuronale del cervello umano, con l’obiettivo di provare ad imitare il modo con cui l’uomo tenderebbe ad imparare e pensare in relazione a tematiche di natura anche molto ampia.
L’enorme complessità di calcolo richiesta dalle reti neurali ha fatto si che la popolarità di questa disciplina emergesse soltanto negli anni più recenti, quando le risorse computazionali dei grandi centri di calcolo e il cloud computing hanno finalmente consentito di allargare considerevolmente la base delle applicazioni basate sul deep learning.
Sul fronte applicativo, i progressi maturati nell’ambito dei Big Data analytics hanno permesso di strutturare reti neurali sempre più sofisticate, permettendo al cervello sintetico di osservare, imparare e reagire a situazioni di scenario complesso in maniera molto più rapida rispetto all’uomo, pur senza riuscire a simulare digitalmente le sue facoltà cerebrali.
Quest’ultimo aspetto rimane una sfida aperta dell’intelligenza artificiale e al momento, al di là di parziali e limitati successi, non si ha una visione chiara dei modi e dei tempi in cui tale prospettiva possa eventualmente avverarsi. Al tempo stesso i timori che l’intelligenza artificiale possa agire e autoprogrammarsi in totale autonomia, sfuggendo totalmente al controllo dell’uomo, sono al momento circoscritti all’immaginario sci-fi.
Oggi il deep learning è molto utilizzato in vari ambiti applicativi: classificazione dei documenti, traduzioni di linguaggio e riconoscimento vocale, oltre ad un’ampia gamma di processi che rientrano comunemente sotto il cappello del generative AI, l’intelligenza artificiale generativa (creazione testi, immagini, deepfake, ecc.).
Deep Learning e reti neurali
Il motore del deep learning è costituito dalle reti neurali artificiali, in particolare delle deep neural networks (DNN). Ma cosa sono, in senso ampio, le reti neurali?
Note nella letteratura internazionale come artificial neural network (ANN) o simulated neural network (SNN), le reti neurali costituiscono una sottobranca del machine learning ed alcune di esse, come vedremo, costituiscono il cuore degli algoritmi utilizzati dalle applicazioni deep learning.
L’ispirazione che ha dato vita alle reti neurali richiama dichiaratamente la rete con cui i neuroni del cervello si scambiano tra loro i segnali. Le reti sono costituite da vari layer tematici tra loro interconnessi per correlare una grande quantità e varietà di dati che all’apparenza potrebbero anche sembra del tutto estranei tra loro. I nodi delle reti neurali sono tra loro connessi e possiedono un peso e una soglia, parametri che consentono ai vari nodi di scambiare o meno le informazioni tra loro, mediante il fatto di attivarsi o meno.
Deep learning e reti neurali sono spesso utilizzati quali sinonimi, ma non si tratta esattamente della stessa cosa, per cui tale prassi potrebbe risultare fuorviante, offrendoci pertanto lo spunto per dare una motivazione a quel “deep”. Una rete neurale dotata di un numero elevato di livelli viene infatti definita anche profonda, rientrando nel contesto degli algoritmi di deep learning. Lo stesso non si può affermare nel caso di una rete neurale che dispone ad esempio di soli due livelli. Per questo motivo sarebbe più corretto distinguere in maniera netta le reti neurali e il deep learning anche nel contesto divulgativo.
Tipi di reti neurali
Le reti neurali sono caratterizzate da diversi tipi, che differiscono sia nella natura che negli obiettivi per cui sono state concepite, a partire dal percettrone di Frank Rosenblatt (1958), un singolo neurone che viene tuttora identificato quale la prima rete neurale mai realizzata, oltre che la più semplice in assoluto.
Tra i principali tipi di reti neurali possiamo ritrovare:
- – Percettroni multilivello (multi layer perceptron – MLP), formate da un livello di input, almeno un livello nascosto e un livello di output. Particolarmente utilizzate nell’ambito della visione artificiale e del natural language processing (NLP)
- – Reti neurali convolutive (convolutional neural network – CNN), simili alle MLP di cui al punto precedente, sfruttano in particolar modo l’algebra lineare per identificare i pattern presenti all’interno di un’immagine e per questa caratteristica sono molto utilizzate nell’ambito del riconoscimento delle immagini, dei modelli e nel campo della visione artificiale.
- – Reti neurali ricorrenti (recurrent neural network – RNN), sono algoritmi di apprendimento utilizzati con dati provenienti da serie temporali, con l’obiettivo di generare previsioni future, ad esempio nell’ambito finanziario, per prevedere l’andamento dei mercati azionari e, in un contesto più generale, per prevedere le vendite.
Qual è la differenza tra deep learning e machine learning?
In sede di premessa abbiamo evidenziato come il deep learning (DL) sia a tutti gli effetti un caso particolare del machine learning (ML). DL e ML utilizzano la medesima materia prima: i dati, con ordini di numeriche tuttavia differenti.
Il machine learning tratta solitamente migliaia di data point mentre le applicazioni deep learning possono arrivare a coinvolgerne anche molti milioni. Il ML restituisce soprattutto valori numerici sotto forma di classifiche e punteggi, mentre il DL può generare anche testi e altri dati di natura non strutturata, come i contenuti multimediali (suoni, immagini, video, ecc.).
Il machine learning utilizza vari tipi di algoritmi di apprendimento automatico per effettuare azioni predittive a partire dai dati. Il deep learning invece utilizza le già citate reti neurali profonde per processare i dati attraverso vari layer, generando un’elevata quantità e varietà di possibili correlazioni.
Nel caso delle applicazioni ML, gli algoritmi vengono solitamente definiti dai data analyst per esaminare variabili specifiche presenti all’interno di un data set, mentre nel caso del DL gli algoritmi sono in grado di autoregolarsi sulla base dell’analisi dei dati nel momento stesso in cui entrano in produzione.
Le applicazioni del deep learning
Negli ultimi dieci anni, il deep learning ha iniziato a diffondersi grazie alle maggiori risorse computazionali disponibili per supportare le complesse elaborazioni richieste dalle reti neurali profonde. Tra le principali applicazioni del deep learning ritroviamo:
Chatbot intelligenti
Impiegano tecniche di NLP e cognitive computing per conversare in modo naturale con gli utenti. Il loro livello di realismo nell’interazione sta addirittura costringendo le aziende che si avvalgono di chatbot intelligenti ad avvisare l’utente finale che la sua conversazione non avviene con un umano. Tali agenti possono sgravare le risorse umane dai compiti ripetitivi e a basso valore aggiunto, affinché possano dedicarsi alla soluzione dei casi più critici e ad attività più strategiche per il business.
Assistenti virtuali
Il DL è la tecnologia di base dei più noti assistenti virtuali in ambito consumer, come Alexa, Siri e l’assistente di Google. Tali sistemi sono infatti in grado di apprendere in modo automatico sulla base delle interazioni con gli utenti, diventando sempre più precisi sia nella comprensione del linguaggio umano che nelle interazioni con le interfacce a cui sono connessi.
Sistemi di traduzione istantanea multilingua
Il deep learning consente di creare applicazioni capaci di creare testi credibili dal punto di vista stilistico, oltre che corretti grammaticalmente e sul piano della sintassi. Una volta “allenati” con determinati contenuti, i sistemi di generazione automatica dei testi riescono a produrre contenuti formalmente validi, come dimostrano le pagine sviluppate per Wikipedia utilizzando questa tecnologia.
Cybersecurity
Le moderne piattaforme di monitoraggio (es. SIEM, XDR, ecc.) si avvalgono di tecniche di deep learning per rilevare in tempo reale le anomalie sintomatiche di una possibile violazione di sicurezza dei sistemi e dei dati di un’organizzazione. Il rilevamento intelligente degli attacchi informatici risulta essenziale per prevenire e mitigare gli attacchi che possono colpire sempre più facilmente le aree più critiche, dove sono conservati i dati più importanti.
Fintech
I sistemi antifrode utilizzano tecniche di deep learning e di machine learning per identificare le possibili anomalie che potrebbero rivelarsi sintomi di un possibile attacco ai sistemi di sicurezza delle reti bancarie. Ciò avviene sia nel contesto delle transazioni con carte di credito che per quanto riguarda le attività effettuate tramite i POS (es. Bancomat).
Marketing e vendite
Le applicazioni di deep learning sono alla base di varie applicazioni utilizzate nel contesto delle attività di marketing e vendite, utilizzando ad esempio i dati di relazione del cliente nel CRM per formulare previsioni circa il suo comportamento futuro, indirizzando di conseguenza le strategie operative, ai fini di accelerare e aumentare il tasso delle conversioni.
Guida autonoma
I sistemi di guida autonoma hanno raggiunto buoni livelli di efficienza, anche se sono ancora lontani i tempi in cui potremo finalmente permetterci dei veicoli in grado di circolare in maniera sicura nel traffico del tutto privi della supervisione umana. Gli attuali risultati raggiunti dai sistemi di guida autonoma si basano in gran parte sulle applicazioni di machine learning e deep learning, che consentono ad esempio di riconoscere la segnaletica stradale o identificare in maniera corretta i pedoni ed altre forme di ostacoli che il veicolo è chiamato ad evitare durante il suo tragitto.
Medicina e diagnosi precoce
Le tecniche di deep learning, in particolare quelle di riconoscimento delle immagini, sono utilizzate per identificare le anomalie presenti sui referti diagnostici, risultando un preziosissimo alleato per i sistemi di radiologia. Le applicazioni basate sull’intelligenza artificiale consentono di analizzare un’immagine vedendo contenuti che l’occhio umano non sarebbe mai in grado di percepire, comprese quelle anomalie di minuscole dimensioni che possono rappresentare una fase precoce della malattia. Le immagini generate dalle TAC possono essere analizzate con un livello di precisione finora sconosciuto, permettendo ai medici di intervenire ove necessario.
Previsioni per il futuro
In chiave futura, il deep learning esprime a livello tecnologico la direzione dell’intelligenza artificiale generale, che cerca di riprodurre il comportamento del cervello umano in tutti i contesti entro cui viene chiamato ad interagire. In altri termini, il deep learning esprime un potenziale latente enorme, di cui abbiamo finora soltanto accarezzato la superficie, in quanto potremo assistere ad enormi progressi quando impareremo a sfruttare sempre meglio le reti neurali profonde.
I risultati ottenuti da Deepmind nella scoperta della struttura tridimensionale del genoma umano, così come nei sistemi in grado di autoapprendere in autonomia le regole di un gioco fino a battere i migliori giocatori umani dimostrano quali siano le potenzialità del deep learning e delle sue applicazioni.
Per sfruttare in maniera sempre più efficace le reti neurali sarà molto importante lo sviluppo dei computer quantistici, che oltre a garantire una potenza di calcolo di nuova generazione, consentiranno finalmente di sperimentare approcci totalmente differenti rispetto a quelli consolidati nella fisica tradizionale.
Vantaggi e limiti del deep learning oggi
In sintesi, proviamo a valutare quali sono i vantaggi che già oggi il deep learning è in grado di apportare nelle sue applicazioni, oltre alle criticità che saremo chiamati a superare per ottenere dei sistemi sempre più efficienti. Tra i principali vantaggi ritroviamo:
- – Risultati nettamente migliori se confrontati ai metodi di apprendimento automatico in grado di utilizzare solo i dati strutturati
- – Capacità di automatizzare le operazioni di routine tradizionalmente effettuate dall’uomo, senza sostanziali cali di performance
- – Gestione efficiente di dati non strutturati
- – Crescente numero di servizi in cloud capaci di rendere disponibili applicazioni di deep learning per supportare vari processi di business.
Per quanto riguarda invece i limiti che saremo chiamati a superare:
- – Le reti neurali profonde richiedono un’enorme potenza di calcolo
- – Lo sviluppo di nuovi algoritmi di deep learning richiede tempistiche non trascurabili
- – Impiego di sistemi di dati di enormi dimensioni e complessità
- – Rispetto ai sistemi di machine learning, richiede molti più dati per l’addestramento
- – Scarsa trasparenza nei risultati, a causa della difficoltà da parte dell’uomo di comprendere i processi decisionali. Tale criticità è alla base di una disciplina specifica: la Explanaible AI, che mira a spiegare, avvalendosi di varie tecniche della divulgazione, il comportamento e le logiche che il sistema di deep learning ha utilizzato e quali dati sono stati processati.
Categoria: INTELLIGENZA ARTIFICIALE

Dati sintetici: cosa sono, tipologie e quando utilizzarli
L’intelligenza artificiale dispone di una serie di tecniche in grado di rivoluzionare le attività in tantissimi settori, sia in ambito… Leggi tutto

Overfitting e Underfitting: cosa sono e come gestirli
Il machine learning (apprendimento automatico) è una delle discipline dell’intelligenza artificiale più diffuse, grazie alla sua capacità di analizzare i… Leggi tutto

Manutenzione nell’Industria 4.0: cosa cambia
L’Industria 4.0 ha ridefinito vari aspetti della fabbrica tradizionale, non soltanto quelli tipicamente legati alla produzione, coinvolgendo tutte le fasi… Leggi tutto