Immagina se i computers potessero imparare e pensare come gli esseri umani, riconoscendo schemi, modelli e percorsi, e fossero in grado di prendere decisioni di propria iniziativa.

Questo è il settore o se preferisci la scienza in cui si colloca il Deep Learning.

Il Deep Learning (DL) è una branca dell’intelligenza artificiale che simula la struttura e le funzioni del cervello umano.

Esso procede attraverso il Machine Learning (ML) tradizionale utilizzando reti neurali per processare dati più complessi ed effettuare previsioni più accurate.

Addestrando queste reti neurali su una gran quantità di dati i modelli di Deep Learning possono sbloccare un’incredibile potere. Essi hanno la capacità e l'abilità di analizzare immagini, comprendere il linguaggio naturale, e finanche battere i campioni mondiali in giochi come gli Scacchi e Go.

Ma procediamo con ordine dando qualche definizione più formale.

Il Deep Structured Learning (l'Apprendimento Strutturato Profondo) o Hierarchical Learning (Apprendimento Gerarchico) o Deep Learning (Apprendimento Profondo) in breve è parte della famiglia dei metodi di Machine Learning che sono a loro volta un sottoinsieme del più ampio campo dell'Intelligenza Artificiale. L'immagine seguente schematizza perfettamente questo concetto:

Il Deep Learning è una classe di algoritmi di Machine Learning che usa alcuni layers di unità di elaborazione non lineare per eseguire estrazioni, trasformazioni ed, in generale, elaborazioni di dati. Questi layers, generalmente, sono organizzati in una gerarchia tale che ciascun layer successivo utilizza come input per la propria elaborazione l'output del layer precedente.

Quando si parla di Deep Learning spesso si parla anche di Deep Neural Networks (Reti Neurali Profonde), di Deep Belief Networks (Reti di Confidenza o Credenza Profonde) e di Recurrent Neural Networks (Reti Neurali Ricorsive). Queste reti negli ultimi anni sono state applicate a campi come la visione artificiale computerizzata, il riconoscimento vocale, l'elaborazione del linguaggio naturale, il riconoscimento audio, l'applicazione di filtri, la censura su Internet ed i social network, le traduzioni automatiche e la bioinformatica e, in alcuni casi, hanno ottenuto risultati comparabili se non migliori di quelli degli esperti umani.

In campi come la cura della salute e la medicina il Deep Learning sta rivoluzionando il modo in cui si diagnosticano e trattano le malattie e le patologie. I medici possono usare algoritmi di Deep Learning per analizzare immagini mediche, radiografie ed ecografie al fine di identificare schemi e modelli che conducono verso specifiche malattie e patologie oppure verso la guarigione e che sarebbero impossibili da rilevare ed identificare per gli occhi umani.

Le potenzialità del Deep Learning possono essere viste anche nelle automobili a guida automatica, dove gli algoritmi sono addestrati per riconoscere oggetti, pedoni e segnali stradali, in modo da consentire alle autovetture una navigazione sicura senza l’intervento umano.

Ma l’applicazione del Deep Learning non è limitata a questi esempi. Esso ha il potenziale per trasformare l’industria e ridisegnare il nostro mondo. È una tecnologia che possiede la chiave per sbloccare il vero potenziale dell’Intelligenza Artificiale.

Così la prossima volta che chiedi al tuo smartphone le istruzioni per raggiungere un luogo, o quando un algoritmo o un programma ti suggerisce una canzone o un film che potrebbe piacerti, ricorda che, dietro le quinte, il Deep Learning è al lavoro per rendere le nostre vite più facili e più efficienti.

Prima di chiudere questa introduzione al Deep Learning diamo una rapida informazione supplementare circa gli algoritmi che lo caratterizzano.

Gli algoritmi e le reti di Deep Learning sono basati essenzialmente su tre tipi di addestramento:

1. Apprendimento supervisionato (supervised learning);
2. Apprendimento non supervisoonato (unsupervised learning);
3. Apprendimento per rinforzo (reinforcement learning);

Generalmente ciascuna di queste tipologie di algoritmi adotta livelli multipli di caratteristiche, di funzionalità o di rappresentazioni dei dati. Le specificità di livello più elevato sono derivate da quelle dei livelli inferiori formando una rappresentazione gerarchica.

Inoltre, talvolta, usano una qualche forma di discesa del gradiente per svolgere l’addestramento.

E con questi concetti si conclude questa introduzione.

Ti ringrazio per l’attenzione e arrivederci al prossimo articolo.

Se hai trovato interessante l’argomento, assicurati di sottoscrivere il nostro canale Youtube e di registrarti al nostro sito per ulteriori e più affascinanti argomenti inerenti il mondo dell'informatica, della tecnologia e dell’innovazione.

Di seguito il video correlato a questo articolo:

Fullscreen Mode