Cos’è il deep learning e a cosa serve

Cos’è il deep learning e a cosa serve

Deep learning, cos’è? È il settore più profondo del machine learning, ovvero dell’apprendimento automatico. Ispirato al funzionamento del cervello umano, permette di svolgere compiti a livelli di velocità e di efficienza impareggiabili.

Quando “parliamo” con Google o con Alexa, quando utilizziamo un sistema di riconoscimento vocale o un computer distingue il viso da un persona da un gatto e così via, abbiamo a che fare con il deep learning. Si tratta di uno degli sviluppi più interessanti e avanzati dell’ intelligenza artificiale. Vediamo di approfondire il tema del deep learning per capire cos è e a cosa serve.

Deep learning – cos è

Il deep learning, in italiano apprendimento profondo, da definizione di Wikipedia, “è un complesso campo di ricerca dell’apprendimento automatico e dell’intelligenza artificiale”.  Il deep learning appartiene al più ampio campo del machine learning, una tecnologia che permette di elaborare grandi quantità di dati ricorrendo a reti neurali che si ispirano direttamente al funzionamento del cervello umano. La grande potenzialità del deep learning è legata alla capacità delle macchine di imparare autonomamente attraverso l’esperienza, e senza bisogno dell’intervento umano.

Secondo la definizione dell’Osservatorio Artificial Intelligence del Politecnico di Milano, per apprendimento profondo si intende “un insieme di tecniche basate su reti neurali artificiali organizzate in diversi strati. Ogni strato calcola i valori per quello successivo affinché l’informazione venga elaborata in maniera sempre più completa”. Detto in altre parole, il deep learning è una tecnica di apprendimento automatico che porta i computer a “comportarsi” come gli umani, imparando con l’esempio.

Come funziona il deep learning

Il deep learning permette dunque di riprodurre i processi di apprendimento del cervello umano. L’apprendimento si definisce “profondo” perché agisce su più livelli, che costituiscono un centinaio di reti neurali profonde. Il funzionamento procede in questo modo: immaginiamo di esporre una nozione; una persona la apprende e subito dopo ne esponiamo un’altra. Il cervello capta l’input della prima e la elabora insieme alla seconda. Questo è ciò che si intende per apprendimento profondo.

L’azione del deep learning è un tipo di apprendimento che però, a differenza dell’esempio precedente, non deriva da un input umano. Al contrario, vengono appresi tramite algoritmi di calcolo statistico, detti appunto algoritmi di deep learning. Questi algoritmi hanno lo scopo di attivare la comprensione del funzionamento del cervello umano e di come esso riesca ad interpretare contenuti scritti o visuali. L’apprendimento ha una forma piramidale: i concetti più alti si apprendono a partire da quelli più bassi.

Le reti neurali

Per comprendere a fondo il funzionamento del deep learning è necessario soffermarsi sul concetto di rete neurale, che ne è alla base. Le reti neurali artificiali sono dei modelli matematici astratti che riproducono l’attività cerebrale umana. Organizzando i dati raccolti in modo gerarchico, esse permettono alla macchina di velocizzare il processo di apprendimento. Le reti neurali biologiche fanno invece riferimenti a gruppi di cellule nervose presenti nel cervello umano. Mentre le reti neurali artificiali, come abbiamo spiegato prima, sono modelli matematici. La rete neurale è in grado di apprendere tramite l’esperienza. Interpreta i dati, li elabora e li organizza gerarchicamente. Il salto in avanti compiuto dalle ricerche nell’ambito dell’intelligenza artificiale è tutto qui: il computer o il robot non viene programmato, bensì addestrato a imparare autonomamente.

I livelli di apprendimento

Abbiamo detto che il deep learning opera su più livelli. Bisogna ora introdurre il concetto di neuroni, definiti anche nodi o unità della rete neurale. I neuroni vengono solitamente dislocati in livelli, che possono essere di tre tipi:

  • Di ingresso (Input Layer): riceve dati dall’esterno e li processa
  • Livello Nascosto (Hidden Layer): collega il livello di ingresso con quello di uscita
  • Di Uscita (Output Layer): il livello finale.

Applicazioni del deep learning

Gli studi nell’ambito dell’intelligenza artificiale, del machine learning e del deep learning hanno fatto passi da gigante, anche se le potenzialità di questi sistemi di calcolo sono ancora largamente da esplorare. Già oggi, tuttavia, grazie alle numerose applicazioni dell’ artificial intelligence, è possibile ottenere risultati che fino a pochi anni fa nessuno avrebbe potuto immaginare.

Un campo dove il deep learning può dare risultati importanti è quello della diagnostica medica. I medici si servono già degli algoritmi, soprattutto in ambito specialistico. Quando un dottore formula una diagnosi si basa sulle sue competenze. Il deep learning interviene rendendo più vasto l’ambito della conoscenza. Un altro settore di possibile applicazione del deep learning è quello relativo alla guida automatica. Siamo ancora lontani dalla commercializzazione di veicoli che possono essere utilizzati senza conducente, ma i prototipi esistono. La guida automatica consente di riconoscere gli ostacoli grazie alla presenza di sensori e telecamere. La computer vision riproduce la vista umana, fornendo tutte le indicazioni utili per muoversi in sicurezza.

Lo spettro delle applicazioni del deep learning naturalmente non finisce qui. Pensiamo al riconoscimento e sintesi vocale e linguistica per chatbot e robot di servizio. Al riconoscimento facciale per la sorveglianza. Ai sistemi di analisi per la manutenzione su una infrastruttura o un impianto analizzando i dati dei sensori dell’IoT. L’elenco potrebbe continuare, e in un futuro vicino si arricchirà sicuramente espandendosi in molte direzioni.

Vantaggi e punti di debolezza del deep learning

Il deep learning, come abbiamo visto dalle applicazioni che abbiamo appena elencato (e sono solo una piccolissima parte), ha enormi potenzialità per l’essere umano. Perché funzioni al meglio, deve disporre di dati di alta qualità. Ma le possibilità di sviluppo sono davvero ampie. Chiaramente, l’apprendimento profondo richiede un’elevata potenza di calcolo. Per questa ragione, i costi di realizzazione e implementazione sono ancora molto elevati. Ciò fa sì che questa tecnologia sia ancora appannaggio di un ristretto gruppo di persone. Soprattutto grandi aziende e holding che dispongono di capitali molto importanti. C’è poi un altro dettaglio non secondario: la rete neurale è, di fatto, come una scatola nera per l’uomo. Quello che accade con l’apprendimento automatico non è tracciabile e non è sempre prevedibile. In alcuni ambiti, questa caratteristica rappresenta un grosso limite.