Che cos'è il Deep Learning?

Apprendimento supervisionato

Quando impariamo a svolgere un compito sotto supervisione, un insegnante o un formatore può correggerci se facciamo un errore. Nel caso di un computer, i dati elaborati vengono contrassegnati in modo che il computer venga informato quando commette un errore.

Esistono due tipi di modelli di Deep Learning supervisionato: la classificazione e la regressione.

Classificazione: prendiamo l’esempio di un modello di Deep Learning che viene addestrato usando diverse immagini di animali. Una volta che vede una nuova immagine, la confronta con ciò che ha "imparato" dagli esempi di addestramento prima di cercare di prevedere se la nuova immagine contenga un animale. L'algoritmo viene poi valutato in base alla precisione con cui riesce a riconoscere un animale in un'immagine casuale.

Regressione: in alternativa, si possono fornire diverse variabili al modello di Deep Learning e poi chiedergli di prevedere un valore. Un esempio potrebbe essere il settore bancario, quando i clienti chiedono un prestito. Il modello viene addestrato ad analizzare migliaia di domande di prestito, ognuna delle quali contiene dati quali il reddito del richiedente, la sua storia creditizia, il saldo bancario, la situazione lavorativa e altri dettagli. In seguito, al sistema viene comunicato se a queste persone è stato concesso un prestito o meno. Al modello viene poi sottoposto il profilo di un nuovo richiedente e gli viene chiesto di valutare se sia idoneo al prestito.

L’apprendimento supervisionato viene utilizzato quando c’è un ampio insieme di punti dati etichettati, come le immagini degli animali o le informazioni sulle persone che richiedono un prestito.

Apprendimento non supervisionato

In questo caso, il modello di Deep Learning non riceve etichette sui dati che elabora, ma viene lasciato libero di ricercare modelli.

Un esempio potrebbe essere quello di inserire migliaia di canzoni in un modello di Deep Learning e poi lasciare che decida come raggrupparle. Gli esseri umani, quando ascoltano la musica, ne riconoscono la struttura, gli strumenti, il tempo, la voce e i bpm, e poi la classificano in generi come il punk, la musica classica o la techno. Un modello di Deep Learning non supervisionato non sa cosa sia un genere o uno strumento, quindi utilizzerebbe il suo "cervello" matematico per trovare dei modelli nelle tracce e creare nuove categorie.

Apprendimento semi-supervisionato

Si tratta di una via di mezzo tra apprendimento supervisionato e non supervisionato. I modelli di Deep Learning vengono alimentati da una combinazione di dati etichettati e non etichettati. Vengono fornite delle strutture e delle linee guida, ma in generale trovano i modelli in autonomia. Tornando all’esempio della musica, ogni traccia avrebbe alcuni dati etichettati, ad esempio la data di uscita della canzone. In questo modo si aiuterebbe il modello di Deep Learning a creare pattern per arrivare al risultato desiderato.

Esistono diverse forme di IA adatte a un’ampia gamma di casi d’uso. Infatti, l'IA è diventata parte di ogni aspetto della nostra vita, perché questo metodo di elaborazione dei dati rende i computer più efficienti e migliora la loro interazione con gli esseri umani.

Nel mondo reale, fino a poco tempo fa i filtri antispam erano più semplici e scoprivano potenziali spam bloccando tutti i messaggi che contenevano determinate parole chiave. Grazie all’introduzione dell’IA, i filtri antispam sono in grado di esaminare i diversi aspetti dell’email (il luogo da cui è stata inviata e a chi è stata inviata, il contesto del messaggio stesso) prima di decidere se inviarla alla cartella della posta in arrivo o allo spam del destinatario.

Per fare un altro esempio, pensiamo a un modello di Deep Learning che esamina i dati grezzi di una telecamera di sicurezza puntata sul piazzale di un benzinaio. La videocamera produce circa 25 immagini statiche separate al secondo, che vengono fornite al modello attraverso una combinazione dei diversi sistemi di apprendimento di cui abbiamo parlato.

Supponiamo che si tratti di una stazione di servizio in campagna, poco affollata. La maggior parte delle volte le immagini mostrano un benzinaio vuoto, con le pompe e il piazzale. Dopo un po’, il sistema impara che la "normalità" è la stazione di servizio vuota. Quando arriva un’auto, il modello di Deep Learning "vede" il veicolo e sa che qualcosa è cambiato. Con un ulteriore perfezionamento, il modello può distinguere tra una macchina, una moto e un camion. Se poi il sistema viene collegato al registratore di cassa, gli risulta semplice capire se il conducente del veicolo che se n’è appena andato abbia pagato o meno. In questo modo, vengono aggiunti più livelli di input e di elaborazione dei dati per rendere il sistema più "intelligente" e utile nel mondo reale.

Modelli simili di Deep Learning sono utilizzati negli aeroporti di tutto il mondo per individuare i bagagli incustoditi. Il modello di Deep Learning analizza i dati video delle telecamere di sicurezza e riconosce le persone che portano con sé valigie e borse. Grazie a diversi livelli di perfezionamento, si può insegnare all’algoritmo a inviare un avviso alla sicurezza quando nota che una persona ha posato la borsa e si è allontanata per più di qualche minuto.

Nel mondo della finanza, i sistemi di Deep Learning monitorano i mercati e cercano di capire i movimenti delle diverse merci. Possono creare connessioni con numerosi input di dati in tempo reale, e a poco a poco capire come alcuni movimenti di valori influenzino gli altri. Gli input possono essere diversi, ad esempio notizie di eventi meteorologici estremi e disordini politici, oppure i prezzi di mercato reali. Con il tempo, i sistemi riescono a riconoscere dei modelli familiari e prevedere cosa succederà in futuro. Ad esempio, un modello di Deep Learning può apprendere che un ciclone che si verifica in un'area con un numero significativo di piantagioni di banane comporterà probabilmente prezzi molto più elevati per la stagione successiva. Questo tipo di analisi può essere estremamente utile per i trader.

La modellizzazione del Deep Learning è utilizzata anche nelle centrali nucleari, nelle fabbriche e nei datacenter. I sistemi monitorano gli input provenienti dai sensori Internet of Things (IoT) e dalle telecamere che si trovano intorno alla struttura. Una volta che il modello conosce il funzionamento "normale" dell'impianto, può inviare notifiche quando nota un comportamento insolito. Può trattarsi, ad esempio, di attrezzature che non funzionano correttamente, di una tempesta violenta o di dipendenti che non timbrano il cartellino. Se sommate, queste situazioni possono trasformarsi in un problema più grande. I modelli di Deep Learning sono molto più affidabili degli esseri umani nel riconoscere una combinazione di piccoli fattori che possono portare a un problema serio, aiutando gli ingegneri ad evitare complicazioni prima che si verifichino.

Qualità dei dati:  i sistemi di Deep Learning devono osservare i dati, quindi sono limitati dalla quantità e dalla qualità dei dati che ricevono. Se non ci sono abbastanza dati, o i dati contengono un bias, l'algoritmo potrebbe non essere accurato e riprodurre questi bias nei suoi risultati. Consideriamo, ad esempio, un modello di Deep Learning alimentato da migliaia di foto di uccelli a cui viene chiesto di analizzare una selezione di nuove foto e trovare quelli che contengono uccelli. Se i dati originali contenevano foto di uccelli in mezzo alla natura, in una giungla, con alberi sullo sfondo, a meno che il sistema di Deep Learning non sia specificamente programmato per ignorare lo sfondo e l'ambiente circostante, potrebbe avere problemi a identificare un uccello in una foto scattata in città, o all'interno di una gabbia.

Inflessibilità:  una volta addestrato, un modello di Deep Learning è solitamente in grado di fornire risultati accurati solo per lo stesso problema, utilizzando lo stesso tipo di dati. Nell'esempio precedente, se la qualità delle fotografie degli uccelli è stata modificata, il sistema potrebbe non essere in grado di confrontarle con precisione. Inoltre, se l’utente vuole che il sistema identifichi foto di altri animali, è necessario riaddestrare il modello. Quindi, anche per compiti simili, i modelli di Deep Learning richiedono un addestramento specifico, perché non sono flessibili.

Risorse di calcolo:  i modelli di Deep Learning richiedono una grande potenza di calcolo. Il motivo per cui oggi il Deep Learning è più diffuso rispetto a dieci anni fa è dovuto in gran parte alla disponibilità di processori multi-core e GPU. I modelli di Deep Learning richiedono anche molte risorse quando si tratta di RAM e storage: dato che i dati si spostano così rapidamente, i dischi rigidi tradizionali potrebbero non essere in grado di stare al passo, per cui è necessario utilizzare dischi SSD.