Intelligenza artificiale

Il deep learning: che cos’è l’apprendimento profondo

L’intelligenza artificiale è uno dei motori al centro della trasformazione digitale delle imprese, della PA e della società. Ecco quale ruolo svolge il deep learning in tante applicazioni, dalla guida autonoma alla sicurezza e come è capace di sfruttare i big data

Pubblicato il 21 Lug 2023

Deep learning: cos'è ed esempi dell'apprendimento profondo


Il deep learning è l’apprendimento profondo che ottimizza i processi di intelligenza artificiale (AI), grazie al machine learning (ML), con cui le macchine possono imparare.

L’apprendimento profondo rappresenta una delle più significative fonti di successo per l’intelligenza artificiale. Infatti, le reti neurali artificiali, in grado di analizzare in automatico dati  – come immagini, audio, video o serie temporali – superano in molti casi le prestazioni umane.

In questo contesto, il deep learning riveste un ruolo sempre più importante. Basti pensare agli algoritmi di apprendimento profondo rinforzato nell’ambito dei problemi decisionali sequenziali.

Grazie al reinforcement learning, per esempio, nel 2016 il software Google Deepmind di AlphaGo ha potuto battere il campione mondiale di Go, anticipando di anni le previsioni.

L’apprendimento profondo rappresenta una delle più significative fonti di successo per l'intelligenza artificiale

Che cosa si intende per deep learning o apprendimento profondo

Il deep learning è un apprendimento automatico e gerarchico, un segmento della branca di machine learning e artificial intelligence (AI) che imita il modo in cui gli umani acquisiscono alcune tipologie di conoscenza. Si tratta di un metodo ad hoc di machine learning che ingloba reti neurali artificiali in strati successivi per apprendere dai dati in maniera iterativa.

Dunque, il deep learning è una tecnica per apprendere esponendo le reti neurali artificiali ad ampie quantità di dati, in modo da imparare a eseguire i compiti assegnati.

L’apprendimento profondo, quindi, è un elemento importante di data science, che include statistica e modellazione predittiva.

Infatti è l’apprendimento con cui le “macchine” apprendono dati attraverso l’utilizzo di algoritmi, soprattutto di calcolo statistico.

Sottocategoria del machine learning, basato sull’assimilazione di rappresentazioni di dati, e branca dell’intelligenza artificiale, il deep learning apprende multipli livelli di rappresentazione che:

  • equivalgono a scale di fattori o concetti;
  • definiscono il campo di ricerca dell’apprendimento automatico e dell’intelligenza artificiale;
  • fa sì che i concetti di basso livello definiscano quelli di livello alto.

Si riferisce agli algoritmi delle reti neurali artificiali che si richiamano alla struttura e alla funzione celebrale.

Rappresentazione di algoritmi delle reti neurali artificiali che si richiamano alla struttura e alla funzione celebrale

Come funziona il deep learning

Il deep learning sfrutta architetture come le reti neurali artificiali, applicate nei diversi ambiti, in un sistema in grado di utilizzare una classe di algoritmi di apprendimento automatico che:

  • sfruttano più livelli di unità non lineari a cascata, per eseguire compiti di estrazione di caratteristiche e di trasformazione (dove ogni livello successivo impiega come input l’output del livello precedente);
  • si fondano sull’apprendimento non supervisionato di livelli gerarchici multipli di caratteristiche (e di rappresentazioni) dei dati;
  • appartengono alla più ampia classe di algoritmi di apprendimento della rappresentazione dei dati nell’ambito dell’apprendimento automatico (machine learning);
  • apprendono livelli di rappresentazione multipli che costituiscono una scala gerarchica di concetti equivalenti a vari livelli di astrazione.

Le reti neurali artificiali sono modelli di calcolo matematico-informatico che si ispirano al funzionamento delle reti neurali biologiche, ovvero a modelli di interconnessione delle informazioni. In poche parole, questi network sono sistemi “adattivi” capaci di cambiare la propria struttura (nodi e interconnessioni), in base a:

  • dati esterni;
  • informazioni interne che si connettono e transitano attraverso la rete neurale in fase di learning e ragionamento.

Inoltre, gli algoritmi sono sia di tipo supervisionato, sia non supervisionato, mentre le applicazioni prevedono sia l’analisi di pattern (apprendimento non supervisionato) che la classificazione (apprendimento supervisionato).

Infine, le peculiarità di livello superiore provengono da quelle di livello inferiore, per offrire una rappresentazione gerarchica.

Deep learning: cos'è ed esempi dell'apprendimento profondo


Esempi di deep learning

Il deep learning o apprendimento profondo sfrutta architetture come le reti neurali artificiali applicate negli ambiti di:

  • computer vision per classificare le immagini;
  • riconoscimento automatico della lingua parlata (traduzioni in real time e video captioning in ambito media ed entertainment);
  • elaborazione del linguaggio naturale;
  • riconoscimento audio;
  • sicurezza: video sorveglianza e riconoscimento facciale;
  • self-driving car: nella guida autonoma, il deep learning contribuisce al riconoscimento dei segnali stradali e a rilevare la presenza dei pedoni;
  • automazione di robot nella propria smart manufacturing;
  • sostenibilità energetica di un data center: migliora grazie al training di una rete neurale profonda;
  • bio-informatica: per sequenziare i geni, stabilire composizione e struttura delle proteine, processi biochimici nelle cellule eccetera.

Gli investimenti in computer vision registrano l’incremento maggiore, +41% secondo l’Osservatorio del Politecnico di Milano. Questo segmento del mercato dell’intelligenza artificiale incide per l’11% degli investimenti.

I progetti di computer vision analizzano il contenuto di un’immagine in contesti da monitorare, come la video sorveglianza in luoghi pubblici o il controllo di una linea produttiva.

L’interpretazione del linguaggio naturale (Natural Language Processing), invece, in Italia vale il 17,5% del mercato e ha compiuto un balzo in avanti del 24%.

Ma sono in crescita anche le applicazioni in ambito chatbot e virtual assistant (+34%) e intelligent data processing (+32%).

Quali sono gli obiettivi del deep learning

L’obiettivo principale del deep learning è creare modelli in grado di elaborare dati e prendere decisioni senza bisogno di una programmazione esplicita.

Gli algoritmi di deep learning sono in grado di apprendere dai dati, identificare modelli e rilevare correlazioni che un computer non è in grado di scoprire da solo.

Ciò li rende adatti a ricerche complesse nel campo dell’intelligenza artificiale.

Gli algoritmi di deep learning sono spesso utilizzati in ambiti come l’elaborazione del linguaggio naturale, il riconoscimento delle immagini e la classificazione predittiva. Possono anche essere utilizzati per risolvere problemi di ottimizzazione complessi.

Gli algoritmi di deep learning possono essere applicati a diverse aree come l’automazione industriale, la salute e la finanza, offrendo nuove soluzioni efficaci per svariate applicazioni.

35. Che differenza c'è tra Intelligenza Artificiale, Machine Learning e Deep learning? #36

35. Che differenza c'è tra Intelligenza Artificiale, Machine Learning e Deep learning? #36

Guarda questo video su YouTube

Video

Differenza fra deep learning e machine learning

Il machine learning rappresenta una tecnica tramite la quale i computer possono apprendere dai dati utilizzando gli algoritmi per svolgere attività performanti senza richiedere una programmazione esplicita.

Il deep learning, invece, sfrutta una struttura complessa di algoritmi modellati sul cervello umano. Ciò abilita il processo di dati non strutturati come: documenti, immagini e testi.

I sistemi di Machine Learning consentono, per esempio, di:

  • individuare oggetti nelle immagini;
  • tradurre il linguaggio parlato in testo, trascrivendolo;
  • svolgere la selezione degli interessi dei cyber naviganti;
  • puntualizzare i risultati, definendo quelli più pertinenti di una query quando gli utenti online effettuano una ricerca.

Ecco, nell’ambito di queste applicazioni, le tecniche di deep learning trovano la loro applicazione pratica.

Riassumendo, il deep learning:

  • è una sottocategoria specializzata di machine learning;
  • si basa su una struttura a strati di algoritmi chiamata artificial neural network (rete artificiale neurale);
  • necessita di grandi quantità di dati, richiedendo un piccolo intervento umano per funzionare efficacemente;
  • il transfer learning risponde alle necessità dei training dataset.
Differenze tra deep learning e machine learning

Il potere del deep learning nella gestione dei big data

Non è un caso che il boom del machine learning abbia coinciso con l’avvento dei big data. I grandi volumi di dati (strutturati e non strutturati) servono infatti per addestrare al meglio i modelli.

La crescita dei big data a disposizione è inarrestabile, ma nell’ambito di industria 4.0 non sempre i dati disponibili sono sufficienti per il deep learning.

Infatti a volte:

  • mancano i dati nei dataset reali;
  • non sempre i dati riportano labeling ovvero annotazioni accurate;
  • altre volte non si adattano alle esigenze di strutture algoritmiche complesse.

In questi casi, si generano anche dati sintetici per abilitare il deep learning, proprio per sopperire a queste lacune. A dimostrazione di quanta fame di dati abbia l’apprendimento profondo.

Dunque, per consentire l’automazione di robot nella smart manufacturing o per fornire assistenza alla guida di un’auto, al deep learning servono dati visivi (come immagini e video), opportunamente corredati di annotazioni precise e puntuali.

Quindi, i big data sono cruciali, ma poi serve una segmentazione di specifiche aree dentro i dati (foto e video) per contribuire a un algoritmo capace di interagire in maniera efficace con l’ambiente circostante.

Come usare il deep learning con i big data

Il mercato italiano dell’AI

Secondo i dati rilasciati durante il convegno Artificial Intelligence: l’era dell’implementazione dall’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato dell’AI in Italia è arrivato a 500 milioni di euro nel 2022, registrando un aumento del 32% rispetto al 2021. Questo rappresenta un incremento significativo se si considera che nel 2018 la cifra ammontava a 210 milioni di euro.

Per quanto riguarda i settori di diffusione, la parte più ampia del mercato dell’Intelligenza Artificiale in Italia (34%) è rappresentata dalle soluzioni di Intelligent Data Processing. Queste soluzioni mirano a estrarre, raccogliere e analizzare i dati per realizzare previsioni di pianificazione aziendale, gestione degli investimenti e attività di budgeting.

Un’altra area significativa (32%) è quella della Language AI, che si occupa dell’interpretazione del linguaggio, sia scritto che parlato. In questa area rientrano le soluzioni NLP (Natural Language Processing) e Chatbot, nonché le applicazioni di Generative AI come ChatGPT o DALL-E2. Queste consentono l’estrazione e l’elaborazione automatica di informazioni da diversi tipi di documenti e la creazione di testi, immagini e video.

Gli algoritmi di Recommendation System rappresentano il 19% delle applicazioni di AI in Italia, mentre il 10% del mercato è dedicato alle iniziative di Computer Vision. Queste analizzano il contenuto di un’immagine in contesti come la sorveglianza in luoghi pubblici o il monitoraggio di una linea di produzione. Infine, il 9% delle soluzioni riguarda l’Intelligent Robotic Process Automation.

Il Programma italiano

L’Italia ha avviato il Programma strategico per l’intelligenza artificiale, sulla scia della proposta di Regolamento della Commissione europea in materia di AI. La proposta, grazie al lavoro sinergico di tre Ministeri e 24 raccomandazioni di azione, punta a disciplinare lo sviluppo, l’utilizzo e la commercializzazione delle tecnologie legate all’intelligenza artificiale, all’insegna di un approccio cooperativo e inclusivo.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 3