Deep Learning: l’apprendimento profondo delle macchine

  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  

Il Deep Learning, o “apprendimento profondo”, è definito come il sotto – campo di ricerca dell’apprendimento automatico e dell’intelligenza artificiale basato sull’insieme di tutte quelle tecniche e metodologie impiegate nelle macchine e basate su reti neurali – artificiali organizzate in più strati, le quali consentono alle macchine di elaborare le informazioni in maniera via via sempre più completa.

Detto in altre parole, l’apprendimento profondo altro non è che una classe di specifici algoritmi di apprendimento automatico che consentono di creare modelli di apprendimento organizzati su più livelli.

Per “livelli”, s’intendono dei gradi di rappresentazione corrispondenti a gerarchie di caratteristiche di fattori o concetti, dove i concetti ( e quindi le informazioni ) di alto livello sono definiti sulla base dei concetti di basso livello.

Cos’è il Deep Learning?

Per comprendere in via definitiva cos’è quindi il Deep Learning, possiamo immaginare di dover esporre una nozione.

Noi apprendiamo quella nozione e subito dopo ne esponiamo un’altra, il nostro cervello raccoglie l’input della prima e la elabora insieme alla seconda, mettendole di fatto in relazione tra loro. Dal punto di vista scientifico 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. Potremmo quindi affermare che le macchine che usufruiscono di Deep Learning migliorino costantemente grazie “all’esperienza”.

Questi algoritmi sono finalizzati a comprendere il funzionamento del cervello umano e come quest’ultimo riesca ad interpretare le immagini e il linguaggio. L’apprendimento così realizzato ha la forma di una piramide: i concetti più alti sono appresi a partire dai livelli più bassi, vale appunto il concetto di gerarchia sopra enunciato.

Successo del Deep Learning

Il Deep Learning, così come le altre tecnologie correlate all’intelligenza artificiale, ha ottenuto e tuttora sta ottenendo risultati che, fino a qualche decennio fa, sarebbero stati ritenuti impossibili.

La chiave di questo successo venne data dalla comprensione di quanto fosse importante portare i calcolatori a fare esperienza su un quantitativo sempre maggiore di dati sensibili.

Oggi, grazie all’introduzione delle GPUs, ovvero nuove unità che concorrono all’elaborazione dati, questo processo è diventato molto più rapido e semplice. Un altro importante aiuto è stato dato dalla facilità di trovare numerose collezioni di dati (dataset) fondamentali per allenare il sistema.

Il deep learning ci consente di elaborare rappresentazioni di dati, ma lo fa a livello gerarchico e soprattutto a livelli differenti.

La tecnologia dell’apprendimento profondo è ad oggi essenziale in quanto ci consente ad oggi di costruire macchine in grado di classificare i dati in entrata (input) e quelli in uscita (output), evidenziando quelli importanti ai fini della risoluzione del problema e scartando quelli non necessari.

La rivoluzione apportata dal Deep Learning è di fatto ispirata a quella umana, alla nostra capacità di elaborare i dati, di metterli tra loro in relazione, di operare collegamenti a partire dalle nostre stesse conoscenze, anche a livelli non lineari, ed è proprio grazie a questa facoltà che la macchina apprende e ottimizza le proprie funzionalità rendendole nel tempo sempre più efficienti.

Deep Learning: l'apprendimento profondo delle macchine

Storia del Deep Learning

La “data di fondazione” del Deep Learning è per convenzione fissata nell’anno 1958, durante il quale lo psicologo Rosemblatt presentò al mondo accademico il famoso Perceptron, una rete neurale artificiale, alimentata da un computer che aveva le stesse dimensioni di una stanza. Un evento che suscitò l’entusiasmo dei media, tanto da portare un giornalista del New York Times a scrivere che presto l’umanità avrebbe assistito alla nascita di personal computer in grado di camminare, parlare e addirittura avere coscienza di sé. Perceptron, in effetti, aveva svolto con successo il compito che gli era stato affidato: distinguere, dopo 50 tentativi, le tessere contrassegnate a destra da quelle a sinistra.

Deep Learning: l'apprendimento profondo delle macchine

A causa dei limiti del single layer, Perceptron si fermò, incoraggiando però la ricerca a fare ulteriori passi in avanti. Fu in seguito lo scienziato Minsky a spegnere, con le sue teorie l’entusiasmo iniziale.

Il sogno di Rosemblatt riprese vigore nei primi anni 80 grazie a Hinton e LeCun, i quali pubblicarono uno studio attraverso il quale veniva proposto un percorso per insegnare alle reti neurali a correggere gli errori. La tecnologia di quegli anni però non era sufficientemente elaborata per consentire di intravedere dei miglioramenti accettabili, fu infatti necessario arrivare ai giorni nostri per vedere sviluppi significativi e validi, grazie anche all’intervento di colossi del settore dell’informatica, che iniziarono ad inserire il Deep Learning nei propri programmi commerciali.

ImageNet e Hinton, il successo del Deep Learning

Il 2012, insieme al 1958, è da considerarsi una data fondamentale nel percorso e nello sviluppo del Deep Learning. In quell’anno vengono infatti presentati gli straordinari risultati ottenuti in un esperimento condotto dal professor Hinton a Toronto, durante il contest ImageNet.

Deep Learning: l'apprendimento profondo delle macchine

L’esperimento era volto al riconoscimento visivo, effettuato tramite software prova (benchmark), in un settore fino ad allora arduo e mai esplorato: la capacità di distinguere 1000 categorie visive. Hinton, in un colpo solo, ottenne un miglioramento epocale: il 10% in una volta sola. Nel corso di questo esperimento, il pool di studiosi presentò questa nuova tecnologia che aveva consentito alla macchina di riconoscere uomini e animali tramite il confronto con milioni di altre immagini, senza il bisogno di un intervento codificato da parte dell’uomo. Un dato unico e importante che testimonia come il deep learning si sia evoluto e quindi migliorato nel corso degli anni.

Microsoft, livelli di astrazione e Deep Learning

Logo Microsoft

Logo ImageNet

Altra data da annoverare è il 2015, anno nel quale l’ImageNet riportò i clamorosi risultati di una ricerca incredibile. Nei loro laboratori erano riusciti a creare un Deep Learning su 152 livelli di astrazione. Un risultato notevole se confrontato con i 30 livelli sui quali ci si basava prima di questa ricerca.

“Livello di astrazione”, una parola all’apparenza di difficile comprensione, ma risolviamo fin da subito tutti i possibili dubbi: il livello di astrazione corrisponde al grado di applicazione del metodo logico di astrazione nella strutturazione della descrizione dei sistemi informatici. Di conseguenza il livello di astrazione di una macchina ci dice quanto viene effettivamente applicato quel metodo di esclusione dei dati che pone un particolare elemento di ricerca in risalto rispetto agli elementi ad esso collegati, venendo di fatto considerato oggetto particolare di quella specifica ricerca. Per intenderci, se il Deep Learning di una macchina utilizza un singolo algoritmo per volta vuol dire che essa dispone di un solo livello di astrazione, se utilizza 2 algoritmi, allora ha 2 livelli di astrazione, e così via.

Microsoft è riuscita a ad effettuare 152 operazioni diverse sulla stessa immagine. Da questi concetti è facilmente deducibile una verità fondamentale. Più sono i livelli di astrazione, più la macchina ha una grande capacità di apprendimento. Concludiamo quindi, che maggiore è il livello di astrazione, maggiore sarà a sua volta “l’intelligenza” della macchina.

Deep Learning: le reti neurali artificiali

Per comprendere il raggio d’azione del deep learning, possiamo partire prima di tutto col chiarire cosa sono le reti neurali, e a questo torna utile l’esempio dei comandi vocali.

Immaginate un comando vocale, una stessa frase, ripetuta da persone diverse, può avere sfumature e inflessioni che cambiano in base all’individuo che la pronuncia. Come può il PC riconoscere e identificare il suono? Da un punto di vista scientifico, un algoritmo sequenziale non può fornire il giusto supporto.

Occorre infatti compiere un passo indietro di alcuni anni, al tempo del dibattito tra intelligenza artificiale debole e forte, che ha portato all’elaborazione di un nuovo concetto: una macchina non sarà mai veramente intelligente se non riuscirà a riprodurre un sistema di ragionamento che sia biologicamente ispirato al cervello dell’uomo.

La macchina deve poter offrire un valido paradigma, ovvero offrire un modo di “pensare”, simile al funzionamento dei neuroni umani.

Umano e artificiale: l’importanza del neurone

Il neurone altro non è che l’unità cellulare fondamentale del tessuto nervoso, il quale concorre alla formazione dell’intero sistema nervoso.

In sostanza il neurone è una cellula che raccoglie e conduce gli impulsi nervosi dividendosi in neuroni sensori, motori e intermedi, ne sono presenti oltre 100.000 nel nostro sistema nervoso e sono fondamentali per ricevere e trasmettere segnali.

Il neurone umano è il paradigma computazionale che nutre il deep learning e lo fa attraverso le famose Reti Neurali Artificiali. Molto semplicemente, una rete neurale cerca di riprodurre il funzionamento del neurone umano, ovvero l’insieme di tutti quei processi che avvengono nel nostro cervello durante la fase di apprendimento e quella successiva del riconoscimento.

Ma quindi, come può un programmatore far sì che una macchina, basandosi sullo stile d’apprendimento e sulla logica umana, possa partendo da alcuni dati forniti arrivare ad un risultato preciso? La risposta è semplice, il programmatore, dopo aver immesso nella macchina i dati necessari, conosce bene il risultato che vuole ottenere e modifica i parametri di riferimento dei “neuroni artificiali” al fine di ottenere quel preciso risultato. Detto in altre parole, il programmatore sta inserendo nella macchina l’esperienza nella che le consentirà di rispondere in modo corretto anche quando si troverà ad operare con dati nuovi o non conosciuti.

Deep Learning: l'apprendimento profondo delle macchine

Siamo quindi ora arrivati al punto fondamentale che spiega il concetto dell’apprendimento approfondito offerto del deep learning. La rete neurale apprende grazie all’esperienza, legge i dati, costruendo architetture gerarchiche e fornendo livelli avanzati di input-output. Quindi, il salto in avanti compiuto dalle ricerche consiste semplicemente in questo: il PC non viene programmato quanto piuttosto addestrato (tramite l’apprendimento supervisionato, non supervisionato e per rinforzo).

La visione artificiale

Il computer ci guarda, ci osserva e ci scruta. Ciò che sembrerebbe in tutto e per tutto un’utopia è ad oggi possibile proprio grazie agli sviluppi compiuti nel settore della ricerca e nel campo della “visione artificiale”. Il PC comprende, in maniera del tutto automatica, un’immagine e riconosce tutti gli elementi che fanno parte di essa. Da un punto vista letterario, potremmo dire che il computer guarda e osserva il mondo circostante esattamente come l’uomo.

“Visione artificiale”, anche questo appare come un concetto “astratto”, ma basta guardare alla realtà di tutti i giorni per accorgerci che la visione artificiale fa parte del nostro quotidiano. Twitter ha la capacità di riconoscere le immagini pornografiche, eliminandole all’istante, senza la necessità di un supervisore umano. Google, nella sezione dedicata alle foto, cataloga le immagina, inserendole nelle categorie adatte. Oppure Facebook con la capacità di riconoscere i visi e taggarli, dimostra come la computer vision sia la nostra realtà, nella quale ci muoviamo più o meno consapevolmente.

Applicazioni del deep learning

Dopo aver compreso come agisce il deep learning e i successi ottenuti nel corso degli anni da parte degli studiosi, sorge spontaneo il quesito relativo ai vari campi di applicazione di questo sistema di approfondimento. Dove e in quale misura il deep learning può migliorarci la vita?

Diagnostica medica

Un campo dove questa metodologia può dare risultati davvero importanti è senza dubbio quello della diagnostica medica. L’applicazione del concetto delle reti neurali in tale ambito è molto semplice perché i medici, molto spesso, si servono già degli algoritmi, soprattutto in ambito specialistico. Quando un dottore formula una diagnosi lo fa basandosi sulle sue conoscenze e sull’esperienza, ovvero quel bagaglio culturale accumulato negli anni. Il deep learning potrebbe intervenire con successo proprio in questo punto, ampliando e migliorando l’ambito delle conoscenze del medico. L’applicazione dell’apprendimento approfondito spazia con successo dai programmi finalizzati alla diagnostica medica fino al controllo di qualità nelle produzioni farmaceutiche.

Auto a guida autonoma

Deep Learning: l'apprendimento profondo delle macchine

Un altro campo da menzionare sempre per quanto riguarda la possibile applicazione del deep learning è quello relativo alla guida autonoma.

La guida autonoma consente di riconoscere gli ostacoli in entrambi i lati della carreggiata, grazie all’ausilio di sensori e telecamere in grado di elaborare le immagini. La computer vision in questo caso riproduce la vista umana, riconoscendo l’ambito nel quale si sta muovendo e fornendo tutte le indicazioni utili per muoversi in sicurezza.

La spinta in avanti per la realizzazione di automobili automatiche è stata data proprio dalla possibilità, offerta dal deep learning, di elaborare ben 20.000.000.000 di operazioni al secondo.

Facebook e il deep learning

Ogni giorno, sul social network di Zuckerberg, vengono caricate oltre 350.000.000 di foto. L’analisi di queste immagini è indispensabile per comprendere gli interessi dell’utente e per proporgli, a scopo pubblicitario, prodotti o servizi che siano in stretta sintonia con i suoi interessi. Non a caso, la società che fa a capo al social network, ha aperto un laboratorio scientifico, a Parigi, interamente dedicato allo sviluppo del deep learning. La conoscenza approfondita è utile anche in campo semantico. Infatti, scopo di Zuckerberg e dei suoi soci è quello di arrivare a comprendere nell’immediato un linguaggio non consono e violento, con l’eliminazione immediata del post sospetto.

Non soltanto Facebook incentiva la ricerca e lo sviluppo relativo al deep learning e all’Intelligenza artificiale. Colossi come Google, Yahoo o Microsoft sono impegnati nella conquista di frontiere sempre nuove e a fornire l’utente di possibilità sempre più tecnologiche. Un esempio su tutti: Inbox di Google. L’ultima app del colosso statunitense offre la possibilità di rilevare, tra le varie mail, la presenza di una richiesta o di una domanda e ci avvisa, un sistema talmente semplice da poter essere definito “banale”, ma nessuno metterebbe mai in dubbio la sua grande utilità.

Futuro e Deep Learning

Tutto ciò che sta alla base dell’Intelligenza artificiale, del Deep Learning e del Machine Learning, altro non è che l’interazione tra uomo e macchina, un rapporto che negli anni si sta evolvendo sempre di più, e che in un’ottica orientata verso il futuro, diverrà una tra le componenti indispensabili della nostra vita.

Il futuro del deep learning è tutto in questa possibilità: offrire all’uomo la capacità di essere capito dalla macchina, attraverso la comprensione del linguaggio orale e dei gesti. Lo studio e lo sviluppo degli algoritmi intelligenti sono finalizzati alla creazione di macchine pensanti, con le quali poter interagire senza bisogno di mouse e tastiera e che serviranno a semplificare la vita in tutti i suoi aspetti quotidiani.

La ricerca si sta spingendo fino allo studio e alla realizzazione di modelli che possano consentire alla macchina di comprendere i processi cerebrali dell’uomo, fino alla frontiera più emozionante di tutte: la comprensione del pensiero umano e dello stato d’animo. Una conquista che comporterebbe all’affermarsi di nuovi importanti scenari soprattutto in ambito medico.

Deep Learning: l'apprendimento profondo delle macchine

Oggi più che mai possiamo affermare di trovarci sull’orlo di una rivoluzione storica. Startup, giganti del settore informatico, pool di scienziati: l’Intelligenza artificiale, il Deep Learning e il Machine Learning rappresentano la punta di cristallo della comunità scientifica internazionale, i contesti dei quali non si potrà più fare a meno.

Dal microcosmo individuale al macrocosmo delle industrie, l’automazione intelligente è un contributo essenziale, da gestire con attenzione, per rendere più semplice e intuitiva l’interazione umana con la realtà che lo circonda.

Articoli correlati:

Intelligenza Artificiale: Cos’è e come funziona

Machine Learning: l’apprendimento automatico delle macchine

Fonte: Machine learning – ibm.com

Lascia un commento