Machine learning (ML) e deep learning (DL) sono termini sempre più ricorrenti nel vocabolario tecnologico, oltre ad essere sempre più utilizzate nelle applicazioni enterprise e mainstream. Prima di entrare nel merito, per comprendere in cosa consistono e cosa le differenzia, occorre precisare che si tratta di due tecniche che rientrano sotto il termine ombrello dell’intelligenza artificiale.
Ad oggi non esiste alcuna forma di AI in grado di apprendere nel modo in cui apprende l’uomo, ma si rendono sempre necessarie grandi quantità di dati per avere una comprensione anche semplice del problema. In particolare, non sono ancora stati sviluppati algoritmi in grado di trasferire la conoscenza da un dominio all’altro.
Per citare un paragone tra l’apprendimento dell’uomo e quello della AI si cita spesso l’esperienza del gioco. Immaginiamo di essere degli appassionati di FIFA, il videogioco di calcio più popolare al mondo. Ogni anno esce una nuova edizione e, per quanto vengano introdotte continuamente novità nel gameplay, se uno sa giocare alla versione 2021, riuscirà comunque ad orientarsi abbastanza bene anche nella versione 2022.
Nel caso dei sistemi basati sull’intelligenza artificiale questo non avviene. Per la AI, FIFA 2021 e FIFA 2022 sono due mondi totalmente diversi, da imparare rispettivamente da zero, anche se all’occhio umano appaiono come giochi molto simili.
L’intelligenza umana è in grado di associare criticamente una serie di segni e significati sulla base della propria esperienza. Nessuno si aspetterebbe mai che un cane possa avere sei zampe. Un’intelligenza artificiale per arrivare a quella che per noi è una banale constatazione, dovrebbe apprendere da un dataset contenente moltissime immagini che evidenziano che il cane dispone soltanto di quattro zampe
Il machine learning
Il machine learning è una sottobranca dell’intelligenza artificiale che ha letteralmente segnato un punto di svolta rispetto alle tradizionali applicazioni basate sulle regole “if-then”. Se nella AI di vecchia generazione gli sviluppatori istruivano i sistemi informatici con tutti i possibili input e output in merito alle decisioni da prendere, il machine learning consente di andare oltre, per risolvere finalmente dei problemi che gli algoritmi rule-based non erano in grado di affrontare con successo.
Il machine learning consente che sia il computer ad imparare in maniera automatica sulla base dei dati processati dai suoi algoritmi, la cui varietà comprende la regressione lineare, la regressione logistica, gli alberi decisionali e moltissimi altri.
Maggiore è la data quality e la pertinenza al problema dei data set elaborati dagli algoritmi ML, maggiore sarà l’accuratezza delle analisi e delle previsioni generate, limitando il più possibile quei problemi di bias che tuttora rappresentano uno dei principali limiti applicativi di questa tecnologia. L’apprendimento automatico è pertanto molto efficace quando si considerano situazioni molto specifiche, tipiche dell’intelligenza artificiale debole (narrow AI).
Le aree applicative
Tra le principali applicazioni del machine learning sono molto possiamo riscontrare:
- – Sistemi di raccomandazione dei prodotti (suggeritori virtuali per e-commerce)
- – Sistemi di guida autonoma
- – Filtri antispam
- – Previsioni del traffico stradale
- – Sistemi antifrode
- – Manutenzione predittiva
- – Sistemi di videosorveglianza
- – Sistemi di sicurezza informatica
- – Social Media
- – Marketing automation
Il deep learning
Il deep learning è una sottobranca del machine learning che porta l’apprendimento automatico a livelli molto più profondi, per consentire un approccio molto più generalista rispetto a quelli affrontati dai sistemi ML, solitamente orientati alla soluzione di problemi specifici.
La popolarità del deep learning è rapidamente cresciuta nel corso degli ultimi dieci anni, soprattutto grazie alla maggior disponibilità di risorse computazionali, indispensabili per poter elaborare l’enorme quantità di calcolo che richiedono le sue reti neurali profonde.
Il deep learning fa infatti uso di vari layer di elaborazione delle informazioni, che consentono di apprendere progressivamente rappresentazioni di dati sempre più complesse. Un esempio classico è costituito dai sistemi di riconoscimento delle immagini. La struttura a livelli delle reti neurali consente ad esempio di scomporre in un livello il colore, in un altro le forme, arrivando a combinare numeriche di dati decisamente importanti per elaborare tutte le possibili correlazioni tra i vari livelli.
Tra le applicazioni DL più note ritroviamo inoltre il natural language processing (NLP), che consente alla macchina di comprendere il linguaggio umano per interfacciare applicazioni come chatbot e assistenti virtuali.
Il deep learning rappresenta pertanto la più sofisticata architettura AI fino ad oggi sviluppata. Tra gli algoritmi DL più diffusi ritroviamo le reti neurali convoluzionali, le reti neurali ricorrenti e le generative adversarial networks (GAN) utilizzate per creare in maniera generativa in celebri deepfake.
Il deep learning è la tecnica AI che si avvicina maggiormente alla concezione di intelligenza artificiale generale (AGI), finalizzata ad affrontare un problema con lo stesso approccio generalista che verrebbe impiegato, nel medesimo contesto, dalla mente umana.
Le aree aplicative
Il deep learning viene attualmente utilizzato in moltissimi ambiti, tra cui:
- – Generazione automatica del testo
- – Sistemi di traduzione automatica
- – Customer experience (chatbot intelligenti)
- – Ricerca medica (radiologia, diagnosi precoce)
- – Computer vision (classificazione e ricostruzione delle immagini)
- – Deepfake
- – Automazione industriale
- – Sicurezza (sistemi anti-detection)
- – Riconoscimento immagini satellitari nelle applicazioni militari ed aerospaziali
- – Correzione colore (aggiunta colore alle immagini in bianco e nero)
Machine learning e deep learning: le reali differenze
Oltre al fatto che il deep learning sia un caso particolare del machine learning, è opportuno identificare alcune differenze specifiche da queste due tecniche di intelligenza artificiale.
Entrambi utilizzato la medesima materia prima: i dati, ma variano sensibilmente le numeriche in questione. Il ML tratta solitamente migliaia di data point mentre le applicazioni DL possono arrivare a coinvolgere anche molti milioni di data point. Mentre il machine learning attraverso le sue elaborazioni restituisce soprattutto valori numerici sotto forma di classifiche e punteggi, il deep learning può generare anche testi e altri dati di natura non strutturata, come i contenuti multimediali (suoni, immagini, video, ecc.)
Dal punto di vista del funzionamento, 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 reti neurali profonde che processano i dati attraverso vari layer, valutando un’altissima quantità e varietà di possibili correlazioni tra i dati.
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.
Categoria: INTELLIGENZA ARTIFICIALE
Cosa sono e come funzionano le reti neurali ricorrenti
Le reti neurali trovano il loro fondamenti nei lontani anni Quaranta del Novecento, quando Warren McCulloch e Walter Pitts pubblicarono… Leggi tutto
Reti neurali: cosa sono, come funzionano e le applicazioni
Nel contesto dell’intelligenza artificiale si parla sempre più spesso di reti neurali, intese quali modelli matematici dichiaratamente ispirati al funzionamento… Leggi tutto
Transfer learning: cos’è, i modelli e le applicazioni
Lo sviluppo legato all’intelligenza artificiale coinvolge un’ampia varietà di metodi e tecniche, che possono valorizzare l’abilità di riutilizzare in maniera… Leggi tutto