Il deep learning è un ramo del machine learning in cui reti neurali con più livelli di elaborazione apprendono in autonomia le strutture presenti nei dati. A differenza degli algoritmi tradizionali, i sistemi di deep learning migliorano le performance man mano che ricevono più dati.
Le persone imparano dall'esperienza, e più le esperienze sono ricche, più imparano. Nella disciplina dell'intelligenza artificiale (AI) nota come deep learning, lo stesso vale per le macchine basate su hardware e software di AI. Le esperienze da cui le macchine apprendono sono definite dai dati che acquisiscono, e la quantità e la qualità dei dati determinano quanto possono imparare.
Il deep learning è un ramo del machine learning. Dopo aver acquisito abbastanza esperienza, le macchine possono svolgere attività specifiche come guidare un'auto, rilevare erbacce in un campo, individuare malattie o ispezionare macchinari per identificare guasti.
Le reti di deep learning imparano scoprendo strutture complesse nei dati che elaborano. Costruendo modelli composti da più livelli di elaborazione, le reti creano più gradi di astrazione per rappresentare i dati.
Una rete neurale convoluzionale (CNN) è un esempio di modello di deep learning. Può essere addestrata con un gran numero di immagini, per esempio milioni di foto di gatti, imparando dai pixel che le compongono. La rete classifica gruppi di pixel che rappresentano caratteristiche come artigli, orecchie e occhi, e da queste caratteristiche riconosce la presenza di un gatto nell'immagine.
Il deep learning è profondamente diverso dal machine learning convenzionale. Con un sistema tradizionale, un esperto di dominio dovrebbe dedicare molto tempo a progettare manualmente le caratteristiche che rappresentano un gatto. Con il deep learning basta fornire un numero molto elevato di immagini e il sistema apprende in autonomia le caratteristiche rilevanti.
Per molte attività, come la computer vision, il riconoscimento vocale, la elaborazione del linguaggio naturale (NLP), la traduzione automatica e la robotica, le performance dei sistemi di deep learning superano nettamente quelle dei sistemi convenzionali. Questo non significa che progettarli sia semplice: anche se il riconoscimento delle caratteristiche è autonomo, migliaia di iperparametri (hyperparameter) devono essere messi a punto perché un modello risulti efficace.
Deep learning e machine learning sono spesso confusi, ma non sono la stessa cosa. Il deep learning è un sottoinsieme del machine learning che usa reti neurali profonde per apprendere direttamente dai dati grezzi.
| Criterio | Machine learning tradizionale | Deep learning |
|---|---|---|
| Estrazione delle caratteristiche | Progettata manualmente da un esperto | Appresa in autonomia dai dati |
| Rapporto con la quantità di dati | Capacità di apprendimento spesso finita | Le performance migliorano con più dati |
| Struttura del modello | Algoritmi con pochi livelli | Reti neurali con più livelli di elaborazione |
| Intervento umano | Elevato in fase di progettazione | Concentrato sulla messa a punto degli iperparametri |
Esistono diverse architetture di rete neurale, ognuna ottimizzata per determinati tipi di input e attività. Le più diffuse coprono immagini, dati sequenziali e apprendimento per prova ed errore.
Il deep learning apre la strada a nuove scoperte scientifiche. Ha avuto un ruolo nella scoperta di pianeti extrasolari e di nuovi farmaci, nel rilevamento di malattie e particelle subatomiche, e sta ampliando la comprensione della biologia, dalla genomica alla proteomica.
Il mondo affronta anche sfide difficili. Il cambiamento climatico minaccia la produzione alimentare, e la pressione crescerà con una popolazione umana che secondo le proiezioni raggiungerà i nove miliardi entro il 2050. La portata di queste sfide richiede un nuovo livello di intelligenza reso possibile dal deep learning.
La visione è un buon parallelo. Durante l'esplosione cambriana, circa 540 milioni di anni fa, la vista emerse come vantaggio competitivo e divenne un motore dell'evoluzione. Insieme alle reti neurali biologiche che elaborano le informazioni visive, la vista diede agli animali una mappa dell'ambiente circostante.
La combinazione di telecamere come occhi artificiali e reti neurali capaci di elaborare le informazioni visive sta portando oggi a una crescita rapida delle applicazioni AI basate sui dati. Come la vista ha inciso sull'evoluzione della vita, il deep learning migliora le capacità dei robot, che comprendono l'ambiente, prendono decisioni autonome e collaborano con le persone.
Il deep learning trova applicazione in settori molto diversi, dalla robotica all'agricoltura alla sanità. Gli esempi seguenti mostrano come la stessa tecnologia risolva problemi concreti.
La robotica ha compiuto molti progressi grazie ai passi avanti dell'AI e del deep learning. L'AI permette ai robot di percepire l'ambiente e rispondere, ampliando le funzioni che possono svolgere: dalla navigazione nei magazzini allo smistamento di oggetti irregolari, fragili o mescolati tra loro. Raccogliere una fragola è semplice per una persona, ma a lungo è stato difficile per un robot.
I robot collaborativi lavorano già insieme alle persone, e ognuno svolge i compiti più adatti ai propri punti di forza. Con il progredire dell'AI, i robot riescono ad agire su comandi vocali e gesti e ad anticipare la mossa successiva di un operatore.
L'agricoltura è uno dei campi in cui il deep learning ha un impatto diretto. Oggi consente di usare attrezzature capaci di vedere e distinguere tra piante coltivate ed erbacce. Le macchine per la disinfestazione possono così spruzzare erbicidi in modo selettivo, lasciando intatte le altre piante.
Le macchine agricole con computer vision basata sul deep learning ottimizzano la gestione delle singole piante in un campo, applicando in modo mirato erbicidi, fertilizzanti, fungicidi e insetticidi. Oltre a ridurre l'uso di erbicidi e migliorare la resa, il deep learning si estende a operazioni come l'irrigazione e la raccolta.
L'imaging medico è un ambito in cui il deep learning si è rivelato particolarmente efficace, grazie alla disponibilità di dati di alta qualità e alla capacità delle reti convoluzionali di classificare le immagini. Nel classificare i tumori della pelle, il deep learning può essere efficace quanto un dermatologo, se non di più.
Diversi fornitori hanno già ricevuto l'approvazione FDA per algoritmi di deep learning a scopo diagnostico, tra cui l'analisi delle immagini in oncologia e per le malattie retiniche. Il deep learning migliora inoltre la qualità dell'assistenza sanitaria prevedendo eventi clinici dai dati delle cartelle elettroniche.
La ricerca sul deep learning si muove su più fronti. Le architetture attuali sono ottimizzate per input e attività specifici: le reti convoluzionali eccellono nella classificazione delle immagini, mentre le reti ricorrenti elaborano dati sequenziali. Entrambe usano l'apprendimento supervisionato e richiedono grandi quantità di dati.
L'apprendimento non supervisionato e semi-supervisionato è un'area di ricerca attiva, orientata a modelli che apprendono con meno dati etichettati. Il deep reinforcement learning (DRL) estende il deep learning all'apprendimento per rinforzo: programmi DRL hanno già battuto giocatori umani nell'antico gioco del Go.
Progettare architetture di rete neurale è molto complesso, con molti iperparametri da regolare e molte funzioni di perdita tra cui scegliere. Per questo cresce la ricerca su metodi che apprendono architetture in autonomia, noti come metalearning o AutoML.
Le reti neurali artificiali attuali si basavano sulla comprensione, risalente agli anni '50, di come il cervello umano elabora le informazioni. Le architetture di deep learning sono diventate così sofisticate da mostrare strutture simili alle cellule a griglia, presenti nei cervelli biologici e usate per la navigazione. Neuroscienza e deep learning possono arricchirsi a vicenda scambiandosi idee. La ricerca sul quantum computing continua a progredire, e gli algoritmi di apprendimento potrebbero trarre vantaggio dalla capacità di calcolo dei computer quantistici.
Il deep learning offre vantaggi netti, ma comporta anche requisiti e vincoli precisi. Valutarli aiuta a capire quando questa tecnologia è la scelta giusta.
Vantaggi principali:
Limiti e sfide:
Un progetto di deep learning parte da tre prerequisiti concreti: dati, capacità di calcolo e competenze. La qualità di ciascuno incide direttamente su quanto un modello può imparare.
I dati sono il fondamento: servono grandi volumi di dati pertinenti e di qualità, perché le performance di un sistema di deep learning crescono con la quantità di dati disponibili. Piattaforme di gestione dei dati come NetApp ONTAP aiutano a raccogliere, gestire e rendere accessibili questi dataset su ambienti on-premises e cloud.
La capacità di calcolo è il secondo requisito: addestrare reti neurali profonde richiede risorse adeguate per elaborare grandi dataset. Le competenze sono il terzo: occorre saper mettere a punto migliaia di iperparametri e scegliere le funzioni di perdita per ottimizzare il modello.
Il deep learning si appoggia a un insieme di strumenti software e componenti hardware. Conoscerli aiuta a inquadrare cosa serve per passare dalla teoria a un modello funzionante.
Il deep learning è un ramo del machine learning che usa reti neurali con più livelli di elaborazione. I sistemi scoprono da soli le strutture nei dati, senza che un esperto debba definire manualmente le caratteristiche da riconoscere.
Il machine learning tradizionale richiede a un esperto di progettare le caratteristiche da rilevare. Il deep learning apprende queste caratteristiche in autonomia dai dati e migliora le performance con più dati a disposizione.
Le reti di deep learning apprendono costruendo modelli con più livelli di elaborazione. Ogni livello crea un grado di astrazione, così la rete impara a rappresentare i dati, per esempio riconoscendo un gatto dai pixel di un'immagine.
L'apprendimento supervisionato indica modelli, come le reti convoluzionali e ricorrenti, che imparano da grandi quantità di dati etichettati. È il paradigma più diffuso nelle architetture di deep learning attuali.
Il deep learning richiede grandi volumi di dati di qualità, capacità di calcolo adeguata e la messa a punto di migliaia di iperparametri. Piattaforme dati come NetApp ONTAP aiutano a gestire e rendere accessibili questi dataset.
Rimuovi gli ostacoli per l'infrastruttura AI per consentire una raccolta dati più efficiente, carichi di lavoro AI accelerati e una più fluida integrazione con il cloud