Apri il menu
27/07/2021

Il Deep Learning: concetti di base

Immagine articolo
“Non vivo per me, ma per la generazione che verrà.” Vincent Van Gogh

A cura di Luca Piccirillo



Indice

Introduzione
Il Deep Learning: definizione
Il Deep Learning e il concetto di “apprendimento profondo”
Alcune tappe storiche del Deep Learning
Le reti neurali artificiali: il cuore pulsante del Deep Learning


Introduzione

Il potenziale del Deep Learning affascinerebbe chiunque. Vi siete mai chiesti che cos’è che permette a un computer di riconoscere un volto in una foto? Oppure, come può un computer riconoscere il soggetto di un ritratto? Qualcuno lo chiama “Apprendimento Profondo” in una traduzione letterale dell’espressione che lo connota, qualcun’altro lo definisce un algoritmo che imita il cervello umano. Eppure, siamo ben lontani da questa assonanza, sebbene gli riconosciamo grandi potenzialità. Facciamo un po' di ordine ripartendo da qui. Che cos’è esattamente il Deep Learning?

Il Deep Learning: definizione

Il Deep Learning può essere inteso come una forma di cd. Machine Learning, in grado di apprendere in modo automatico grazie alla classe di algoritmi a cui appartiene. Secondo la definizione fornita dall’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, dove ogni strato calcola i valori per quello successivo affinché l'informazione venga elaborata in maniera sempre più completa".

Il Deep Learning e il concetto di “apprendimento profondo”

Gli ambiti dell’“apprendimento profondo” si snodano in una serie di alveoli applicativi atti a dimostrare quanto sia possibile riconoscere automaticamente un discorso, rielaborare un linguaggio naturale, riconoscere un file audio o memorizzare un dato biometrico. In altre parole, grazie all’apprendimento automatico di tipo evoluto, si è dato lustro al concetto stesso di Rete Neurale Profonda, considerata essenziale tra le architetture dell’apprendimento meccanico non supervisionato.
Per “apprendimento profondo”, più propriamente, s’intende una classe di algoritmi di apprendimento automatico che possono:

- svolgere particolari compiti di deduzione e creazione di dati da altri dati, trasformandoli come richiesto,

- creare una rappresentazione gerarchica delle informazioni immagazzinate,

- apprendere diversi livelli di rappresentazione, formando una vera gerarchia di concetti.

Come leggiamo su Intelligenziaartificiale.it:

Il concetto è molto semplice. Immaginiamo di esporre una nozione. La apprendiamo e subito dopo ne esponiamo un’altra. Il nostro cervello raccoglie l’input della prima e la elabora insieme alla seconda, trasformandola e astraendola sempre di più. Scientificamente, è corretto definire l’azione del deep learning come l’apprendimento di dati che non sono forniti dall’uomo, ma sono appresi grazie all’utilizzo di algoritmi di calcolo statistico”.

Alcune tappe storiche del Deep Learning

Ci sono voluti molti anni perché il Deep Learning incontrasse fiducia nella comunità scientifica. L’anno 2012 rappresenta una tappa storica importante per questo settore, perché è l’anno in cui a Toronto vengono presentati i risultati ottenuti da un esperimento del professor Hinton, durante un contest dal nome “ImageNet”. L’esperimento mirava al riconoscimento visivo effettuato tramite apposito software di prova.

Quest’ultimo aveva il compito di riconoscere le diverse categorie visive mostrategli, distinguendo i volti umani dagli animali, dopo aver immagazzinato migliaia di immagini. Nel corso dell’esperimento si ottenne un miglioramento epocale: il grado di riconoscimento del software era aumentato del 10% in una volta sola. Il Deep Learning aveva iniziato a viaggiare verso orizzonti inesplorati.

Qualche anno più tardi, nel 2015, ImageNet torna a far parlare di sé. Nei propri laboratori di ricerca, si era creato un software capace di restituire un Deep Learning su ben 152 livelli di astrazione. Prima di questa seconda ricerca, la soglia massima di livelli di astrazione era di 30.

Il livello di astrazione coincide con l’algoritmo. Se il Deep Learning utilizza un solo algoritmo, esso opera ad un solo livello di astrazione. Viceversa, se si usano più algoritmi, i livelli di astrazione aumentano col numero degli algoritmi utilizzati.

Le reti neurali artificiali: il cuore pulsante del Deep Learning

Diventa difficile comprendere il raggio d’azione del Deep Learning se non si accenna al concetto di “Reti Neurali Artificiali”. Si tratta di un’espressione che riporta alla somiglianza con il termine “neurone”, ma da esso si discosta per una serie di ragioni. Dal punto di vista strettamente scientifico un algoritmo sequenziale è molto lontano dalle potenzialità di un neurone umano, sebbene si siano fatti passi da gigante per istruirlo al meglio. Quel che si tenta di mettere in moto a livello tecnologico è di creare un paradigma di ragionamento tra le macchine, che possa in qualche modo somigliare al ragionamento della mente umana. Un progetto ambizioso sul quale si dipartono molte diatribe nella letteratura scientifica.

Oggi, possiamo affermare con certezza che il neurone umano è sicuramente un “promotore computazionale” in grado di istruire il Deep Learning, nell’apprendimento di quei processi necessari all’acquisizione delle informazioni ed elaborazione delle stesse. Un software neuronale viene guidato nell’apprendimento attraverso l’immissione al suo interno di dati noti. Quest’ultimi costituiranno la base sulla quale l’algoritmo fonderà la sua esperienza conoscitiva.

Se la macchina memorizza correttamente i dati e la loro correlazione, col tempo sarà in grado di elaborare nuove informazioni. Gli studi condotti negli anni, hanno ottenuto il risultato di creare delle reti neurali artificiali che hanno un’impalcatura di funzionamento simile a quella dei neuroni umani. In parole semplici, i computer stanno imparando ad attivare gli stessi processi del ragionamento umano e, sebbene non potranno mai neanche lontanamente raggiungere l’uomo, ci stanno regalando molte applicazioni d’uso avanzato che potranno migliorare notevolmente l’interazione uomo macchina a tutti i livelli d’applicazione.

Se hai bisogno di una consulenza gratuita che ti consenta di capire quante soluzioni IT possiamo trovare per te, contattaci! Noi di bitCorp Srl saremo lieti di darti una mano!

Escribenos para una consulta gratuita

Descubre más
BITCORP SRL Oficina legal: via Monte Bianco 2/A 20149 Milano | Sede operativa: Galleria del Corso 4 20121 Milano | P.IVA/C.F.: 10273460963 | N. REA: MI-2521794 | Capital social: € 200.000,00 i.v.