Cos'è il Deep Learning: esempi e applicazioni reali

Un articolo per conoscere da vicino il Deep Learning, il ramo più "profondo" del Machine Learning: qual è il suo funzionamento, quali sono le sue applicazioni nella vita quotidiana e quali opportunità offrono nell'ambito dell'Artificial Intelligence.

Cosa si intende per Deep Learning?

Il Deep Learning, in italiano apprendimento approfondito, è il ramo più avanzato del Machine Learning. Si tratta di un insieme di tecniche basate su reti neurali artificiali organizzate in diversi strati: ogni strato calcola i valori per quello successivo, in modo da elaborare l’informazione in maniera sempre più completa.

Con una quantità sufficiente di dati, il sistema è in grado di apprendere la rappresentazione corretta e di risolvere problemi di apprendimento automatico senza la necessità di un pre-processamento dei dati, come invece avviene per le tecniche tradizionali di Machine Learning.

In altre parole, il Deep Learning è una tecnica di apprendimento in cui si espongono reti neurali artificiali a vaste quantità di dati, in modo che possano imparare a svolgere compiti.

Come funziona il Deep Learning?

Per quanto "tecnologicamente nuove" le tecniche di Deep Learning affondano le proprie radici nel passato, più esattamente nell'ambito delle reti neurali artificiali. Le reti neurali artificiali multistrato venivano già studiate negli anni Ottanta, ma soltanto negli ultimi dieci anni si è riusciti a dimostrare la loro utilità in un’ampia gamma di applicazioni.

Il successo del Deep Learning è dovuto a fattori che hanno contribuito a colmare il vuoto in alcune aree che in passato non hanno permesso di raggiungere i risultati attesi (come la mancanza di dati sufficienti e di un’adeguata capacità computazionale), ad esempio:

• L’incremento dei dati a disposizione, che ormai hanno raggiunto quantità molto elevate;
• Lo sviluppo di sistemi di calcolo parallelo altamente performanti basati su GPU (Graphics Processing Unit);
• L'ottimizzazione dei metodi di addestramento delle reti neurali, in modo che possano ottenere soluzioni migliori ai problemi che, in passato, hanno impedito ai ricercatori di ottenere risultati significativi.

Il Deep Learning costituisce, dunque, una delle principali fonti di successo per l’ambito dell’Intelligenza Artificiale. Grazie alle reti neurali artificiali in grado di analizzare automaticamente dati quali immagini, video, audio o serie temporali, questo ambito sta vivendo anni di rapido progresso, arrivando anche, in molti casi, a superare le prestazioni degli esseri umani.

Qual è la differenza tra Deep Learning e Machine Learning?

Il Deep Learning non differisce dal Machine Learning. Come detto prima, l'apprendimento profondo è parte della più ampia famiglia delle metodologie di apprendimento automatico (o Machine Learning). Il Machine Learning è alla base di molti aspetti della società moderna: dalle ricerche sul web al filtraggio dei contenuti sui Social Network, fino alle raccomandazioni sui siti di e-commerce. Recentemente, è sempre più diffuso anche in prodotti elettronici di consumo come fotocamere e smartphone. I sistemi di Machine Learning permettono, tra le tante cose, di:

• identificare gli oggetti nelle immagini;
• trascrivere il parlato in testo;
• selezionare gli interessi degli utenti online;
• definire i risultati più pertinenti per la loro ricerca.

È proprio all'interno di queste applicazioni che vengono utilizzate le tecniche di Deep Learning.

Quali sono le applicazioni comuni del Deep Learning in Artificial Intelligence?

Per quanto riguarda gli ambiti applicativi delle tecniche di apprendimento approfondito, possiamo elencare alcuni dei principali:

• Classificazione di immagini (v. approfondimento sulla Computer Vision);
• Riconoscimento ed elaborazione del linguaggio (v. approfondimento sul Natural Language Processing);
• Guida autonoma (es. riconoscimento di segnali stradali, rilevamento di pedoni);
• Media e intrattenimento (es. traduzione in tempo reale, video captioning);
• Sicurezza (es. videosorveglianza, riconoscimento facciale)
• Diagnosi medica (es. rilevamento di cellule cancerogene o di droghe).

Queste soluzioni non solo hanno contribuito alla crescita dell’Intelligenza Artificiale in generale, ma anche allo sviluppo di diverse soluzioni commerciali di successo.

Il Deep Learning "rinforzato"

Gli algoritmi di Deep Learning trovano applicazioni anche nell’ambito dei problemi decisionali sequenziali, all’interno del Reinforcement Learning (Apprendimento per rinforzo, dove quest’ultimo è inteso come valutazione delle prestazioni del sistema).

Ciò ha portato a risultati di successo, come lo sviluppo da parte di Google Deepmind di AlphaGo, un software che nel 2016 è stato in grado di battere il campione mondiale di Go, con diversi anni di anticipo rispetto alle previsioni degli esperti. Il più recente sistema multiagente DeepNash, invece, ha imparato a giocare a "Stratego", un gioco ancora più complesso di AlphaGo.

Vuoi comprendere le principali dinamiche e le opportunità di business dell'Intelligenza Artificiale?