Deep Learning, come funziona e a cosa serve

Il Deep Learning è un sottoinsieme del Machine Learning e, quindi, dell’intelligenza artificiale. Il primo è all’interno del secondo, che è all’interno del terzo, come le matrioske russe. È basato su algoritmi di reti neurali che sono pensati per simulare il comportamento del cervello umano e che imparano grazie all’analisi di una mole di dati importante e che solo una macchina potrebbe elaborare in poco tempo. Il punto di forza è la velocità, sul margine di errore si sta ancora lavorando ma i risultati sono più che incoraggianti, già stupefacenti.

Una volta che il modello è stato creato, può lavorare in tempo reale su informazioni nuove che provengono da svariate fonti. Questo avviene senza che sia necessario l’intervento dell’essere umano. Perché funzioni, le GPU – le unità di elaborazione grafica – sono ottimizzate affinché possano gestire al meglio più calcoli contemporaneamente. È un altro strumento per rendere alcuni processi automatici e migliorare i risultati analitici. L’importante è conoscerne eventuali debolezze per sapere come sfruttare gli output che manda come risultato finale.

Che cosa fa il Deep Learning nell’AI

Per avere un’idea chiara di dove si nasconda il Deep Learning basti pensare ai sottotitoli automatici di YouTube e dei reel sui social network, al riconoscimento facciale per sboccare la schermata degli smartphone e alla guida autonoma dei veicoli. Quindi, fa parte delle nostre vite più di quanto si immagini.

Consiste in reti neurali multilivello. Per elaborare fotografie o audio gli algoritmi comunicano da un nodo a un altro. Quando le informazioni passano attraverso un livello, ogni nodo esegue operazioni semplici sui dati e passa i risultati ad altri nodi operando una selezione. Le funzioni si complicano di livello in livello, fino a quando non viene generato un risultato .

Ogni livello successivo si concentra su una funzionalità di livello superiore rispetto all’ultima, finché la rete non crea l’output. Fra il livello di input e quello di output si trovano più livelli nascosti.  In teoria, più è complessa è la rete, più i risultati sono precisi. Ma si traduce anche in un maggior numero di parametri e in macchine più potenti, che non sempre sono facili da gestire e garantiscono l’efficacia.

La rete neurale elabora le informazioni pesandole, utilizzando parametri che corrispondono alla forza della connessione tra gli input. Questi vengono regolati durante la formazione e il modello quindi emette una previsione. I modelli di Deep Learning ci mettono molto tempo a formare grandi quantità di dati, è per questo che la computazione a elevate prestazioni è così importante. Le GPU sono progettate per fornire prestazioni rapide di calcoli a matrice su larga scala e sono l’ideale per lavorare parallelamente su Machine Learning e DL.

Quando servirsi del Deep Learning e perché

Le reti neurali del Deep Learning rivelano insight e relazioni celate dai dati che prima non erano palesi. È molto utile a livello aziendale per rilevare eventuali frodi, per gestire la supply chain e la sicurezza informatica. Questo sottoinsieme dell’intelligenza artificiale si occupa di:

• Analizzare dati non strutturati (post, notizie, sondaggi dei social media) per fornire insight utili su eventuali business e clienti;
• Etichettare i dati per la formazione e, poi, per identificare diversi tipi di informazioni in autonomia;
• Fare engineering delle caratteristiche senza che l’essere umano estragga manualmente le funzioni dai dati grezzi.

Come sempre, l’intelligenza artificiale mira a rendere automatici processi lenti e macchinosi che non richiedono la creatività umana. In questo modo, se si conosce il mezzo, lo si può sfruttare a proprio vantaggio per concentrarsi – successivamente – su processi in cui le macchine ancora non sono in grado di intervenire e nei quali la fantasia e la complessità dell’uomo non si possono simulare.

Differenza fra Machine Learning, Deep Learning e AI

Possiamo vederli come tre matrioske una dentro l’altra. La più grande è quella dell’intelligenza artificiale, che permette alle macchine di simulare il comportamento del cervello umano. Risolve problemi, comprende il linguaggio, prende delle decisioni, riconosce gli oggetti. Tuttavia, deve essere utilizzata con la consapevolezza che presenta dei limiti e che gli output è sempre meglio che vengano verificati.

Al suo interno c’è la matrioska del Machine Learning (che a sua volta contiene il Reinforcement Learning), che si occupa di creare applicazioni capaci di apprendere dai dati per renderli più accurati nel tempo, senza l’intervento dell’uomo. Questi algoritmi sono molto efficienti nel trovare modelli che possano prendere decisioni e fare previsioni. E qui si dovrebbe aprire un capitolo a parte sull’AI predittiva. 

Nel cuore, infine, c’è il Deep Learning, che risolve problemi più complessi e crea nuove funzioni in autonomia. Ecco perché si utilizza per reperire informazioni sugli utenti dei social network, per prevedere i valori delle azioni finanziarie, sviluppare strategie di negoziazione, trovare falle nella sicurezza e proteggere dalle truffe.

Vantaggi e svantaggi del DL

Il Deep Learning è molto utile in moltissimi settori, tanto diversi fra loro. Basti pensare che questo tipo di intelligenza artificiale è ormai sempre più radicato nella prevenzione di malattie. Ma non è finita qui e, pure se molti non ci pensano, lo utilizziamo quasi ogni giorno attraverso il nostro smartphone. Infatti, è la massima espressione degli assistenti digitali. D’altra parte Siri, Alexa e tutti gli altri riescono a esprimersi chiaramente simulando il linguaggio umano, ma il loro ‘cervello’ è molto più veloce.

Come per tutte le applicazioni dell’AI, ci sono pro e contro. Trattandosi di macchine, non bisogna mai dimenticare che sono fallibili. E lo sono anche perché questo è un campo ancora nuovo e in continua evoluzione, dove i bias sono sempre dietro l’angolo. Non a caso, il Deep Learning ha bisogno di grandi quantità di dati per essere preciso e ridurre il margine di errore. Inoltre non è molto flessibile e, se si esce fuori dall’ambito del modello prescelto, spesso e volentieri non è attendibile.

Infine il DL è poco trasparente. Fra milioni di datapoint per trovare modelli, può essere complesso comprendere come una rete neurale sia arrivata a elaborare una soluzione. Questo si traduce in una difficoltà oggettiva nell’identificare le distorsioni indesiderate e spiegare le previsioni. Per fortuna, però, i data scientist stanno creando modelli sempre più accurati, capaci di apprendere senza supervisione. In definitiva, è solo questione di tempo e si avranno modelli sempre più precisi.