Il castello delle Intelligenze artificiali è costruito anche sul Deep learning, disciplina che si impegna per emulare (simulare, imitare) il comportamento umano.
Cos’è il Deep learning
Il Deep learning (DL) impiega le reti neurali, algoritmi progettati per imitare il cervello umano, che devono essere addestrate mediante grandi set di dati affinché apprendano modelli (anche complessi) e possano restituire previsioni accurate. Trova un tipico campo di applicazione nel riconoscimento delle immagini o del testo, ambiti nei quali l’analisi dei dati può essere complicata se demandata al solo Machine learning.
L’apprendimento profondo (Deep learning) appoggia le proprie basi su diversi piani di rappresentazione, corrispondenti ai layer (livelli) di cui sono dotate le reti neurali. Quelle più canoniche sono dotate di poche unità di layer, mentre le reti neurali più profonde ne contengono diverse decine.
Di norma, quando si parla di Deep learning, ci si sofferma soltanto brevemente sulle reti neurali, come se fossero immagini alchemiche di difficile comprensione ai non addetti ai lavori. A nostro avviso questa è una falla narrativa che contribuisce a trasmettere poca chiarezza a chi non è già addentro alla materia.
Una rete neurale artificiale è un sistema che usa algoritmi al fine di riconoscere le relazioni tra dati così come farebbe un cervello umano nel valutare e creare relazioni valutando l’ambiente circostante. Così come il cervello umano è deputato anche alla comprensione dell’ambiente e dei suoi cambiamenti fornendo risposte adatte alle esigenze contingenti, le reti neurali artificiali utilizzano set di dati per derivarne tratti identificativi.
Hanno dei vantaggi che le rendono particolarmente utili alle ricerche sull’Intelligenza artificiale. Tra questi:
- si adattano facilmente a qualsiasi situazione. Possono essere usate tanto per compiti relativamente facili (la classificazione di informazioni) quanto per compiti complessi
- se addestrate in modo opportuno (quindi con molti dati) forniscono risultati in modo veloce e affidabile
Tra i principali svantaggi figurano, invece:
- sottostanno al fenomeno comunemente chiamato della “scatola nera” (black box), ovvero non è dato sapere perché o come una rete neurale ha restituito un certo risultato. Anche in questo caso, il concetto di “scatola nera” rischia di essere fuorviante: quando una rete neurale si confronta con la fotografia di un gatto e sostiene che si tratti di un gabbiano risulta difficile capire come e perché sia giunta a questa classificazione
- i modelli di reti neurali necessitano di molti più dati rispetto ai modelli di Machine learning. Per amore di chiarezza: per fare in modo che una rete neurali riconosca l’immagine di un orologio sul polso di un uomo, occorre fare in modo che riconosca un orologio da polso, un braccio, un uomo e poi un orologio da polso sul braccio di un uomo.
Questo ultimo aspetto merita un approfondimento, al fine di capire come funziona il Deep learning
Come funziona il Deep learning
Anche nel fornire una spiegazione del funzionamento del Deep learning si crea spesso una letteratura appannaggio di chi ne ha già una conoscenza anche soltanto sommaria.
Uscendo dagli aspetti tecnico-tecnologici, occorre pensare al Deep learning come a una catena di montaggio laddove un braccio meccanico lavora un prodotto che è già stato lavorato dal braccio precedente e lo consegna al braccio successivo. Per esempio, un braccio modella una vite che il braccio successivo filetterà prima di passarla al braccio seguente lungo la medesima catena di montaggio, che si occuperà di ripulire la filettatura. Il prodotto finale, la vite di precisione, è quindi il risultato di tutti gli step produttivi.
Allo stesso modo il Deep learning estrapola informazioni dai dati con i quali viene alimentato, provvedendo ad analizzarli e a classificarli, arrivando a scovare modelli (pattern) tra i dati stessi.
Si può riassumere il Deep learning come una disciplina mediante le quali un sistema apprende a eseguire dei compiti grazie all’analisi di grandi quantità di dati.
Differenze tra Dee learning e Machine learning
Le differenze sono diverse. La più grande risiede nel formato dei dati. Il Machine learning usa dati strutturati mentre il Deep learning usa dati non strutturati. Questo porta alla seconda grande differenza, ovvero quella secondo la quale il Machine learning necessita di un addestratore, necessita l’intervento dell’uomo e, al contrario, il Deep learning si basa su sistemi di auto-apprendimento. Da qui la terza sostanziale differenza: il Deep learning necessita molti più dati di quanti ne ha bisogno il Machine learning.
Inoltre, gli algoritmi per il Deep learning si basano su reti neurali, mentre gli algoritmi per il Machine learning possono essere di tipo variabile.
Altre differenze si trovano nei campi di applicazione: mentre il Machine learning si presta alle operazioni di routine, i compiti complessi sono appannaggio del Deep learning.
Applicazioni del Deep learning
Come detto in apertura, il Deep learning è già tra noi in modo massivo. Il riconoscimento del linguaggio naturale, comunemente usato nelle Chatbot ne è la rappresentazione più comune e democratica, alla portata di tutti.
Il Deep learning è anche fondamento del riconoscimento facciale che sta facendo discutere di sé, così come della guida autonoma che vi fa ricorso per riconoscere e identificare gli ostacoli, esaminando costantemente l’ambiente circostante al veicolo. In questo caso il riconoscimento delle immagini diventa essenziale.
Trova spazio anche nelle discipline scientifiche in genere, nella medicina, in astronomia e nella ricerca.
Al di là di quei compiti che possono sembrare fumosi a chi non è avvezzo alla materia, il Deep learning è tecnologia ricorrente che si trova anche:
- nella traduzione automatica
- nella sentiment analysis, strumento usato dai marketer per capire cosa pensa l’opinione pubblica di un prodotto o di un servizio, per esempio scandagliando le recensioni online scritte dai clienti
- nella generazione di testo, dote tipica di ChatGPT, Bert e prodotti affini.
A giovare del Deep learning è anche l’industria, intesa come il settore secondario, le cosiddette fabbriche intelligenti.
