Cos'è l'apprendimento profondo? Tutto quello che devi sapere

Informazioni dettagliate sul deep learning, incluso il suo rapporto con il campo più ampio del machine learning e come iniziare.

Cos'è l'apprendimento profondo?

Il deep learning è un sottoinsieme dell'apprendimento automatico che rientra nel campo dell'intelligenza artificiale (AI). Questa tecnologia funziona insegnando a un modello computerizzato a imparare con l’esempio, in modo simile a come un bambino può imparare da genitori e insegnanti.

In termini molto semplici, a un modello computerizzato vengono mostrate diverse immagini di una varietà di oggetti e viene detto cosa rappresenta ciascuno di essi. Con l'addestramento, il modello può imparare a riconoscere e classificare i diversi modelli che distingue nelle immagini e infine a riconoscere e imparare dalle nuove immagini che percepisce.

Il deep learning è fondamentale per il funzionamento delle auto autonome o senza conducente. Un’auto senza conducente utilizza una combinazione di telecamere e sensori per acquisire dati dall’ambiente circostante, come segnali stradali, pedoni e altre auto sulla strada. Quindi elabora tali dati per determinare la migliore linea d'azione: se rallentare, fermarsi, andare, ecc.

Come funziona il deep learning?

Le capacità del deep learning differiscono per diversi aspetti chiave dal tradizionale machine learning superficiale, poiché consentono ai computer di risolvere molti problemi complessi.

Questa tecnologia utilizza le reti neurali, un modello basato sull'attività del cervello umano. Proprio come il cervello contiene strati di neuroni interconnessi, una rete neurale nell’intelligenza artificiale fa lo stesso, dove i nodi sono interconnessi per condividere informazioni.

L’addestramento di queste reti di deep learning può richiedere molto tempo, richiedendo l’acquisizione e l’iterazione di grandi quantità di dati mentre il sistema perfeziona gradualmente il suo modello per ottenere il miglior risultato.

Le reti neurali vengono espanse in reti estese con un gran numero di strati considerevoli che vengono addestrati utilizzando enormi quantità di dati. Queste reti neurali profonde hanno alimentato l'attuale balzo in avanti nella capacità dei computer di effettuare il riconoscimento vocale, le numerose capacità dell'intelligenza artificiale generativa e i progressi nel settore sanitario.

Quali sono alcuni esempi di deep learning?

Al giorno d’oggi, il deep learning può essere presente ovunque, dalle aziende all’avanguardia nel campo dell’intelligenza artificiale all’assistente vocale nello smartphone.

Ecco solo alcune delle applicazioni di deep learning più popolari:

ChatGPT

Il chatbot di OpenAI utilizza il deep learning ed è uno dei più grandi modelli di deep learning disponibili. ChatGPT utilizza la versione 3.5 di OpenAI di un trasformatore generativo pre-addestrato (GPT 3.5), che fornisce 175 miliardi di parametri. La rete neurale che rende ChatGPT così efficiente è addestrata ad apprendere modelli e relazioni nel linguaggio.

La quarta versione di questo trasformatore generativo pre-addestrato (GPT-4) esegue abilmente attività di elaborazione del linguaggio naturale (NLP) con la più grande architettura di modelli linguistici di grandi dimensioni (LLM), composta da trilioni di parametri.

Assistenti virtuali

Gli assistenti vocali, come Google Assistant, Amazon Alexa e Siri di Apple, utilizzano il deep learning per il riconoscimento vocale e la PNL. Applicano queste tecniche di deep learning per elaborare ciò che dici loro e rispondere di conseguenza e in modo accurato.

Questi algoritmi di deep learning possono anche apprendere dai modelli nelle interazioni degli utenti per migliorare continuamente l’esperienza dell’utente.

Rilevamento delle frodi

Varie entità possono utilizzare il deep learning per rilevare e prevenire le frodi. Le istituzioni finanziarie, ad esempio, utilizzano diversi algoritmi per rilevare le frodi. Un esempio con cui potresti avere familiarità è la memoria a lungo termine (LSTM), un modello di deep learning che segnala attività sospette che si allontanano dai dati su cui è stato addestrato.

LSTM è una rete neurale ricorrente (RNN) che gestisce dati sequenziali e memorizza informazioni su ciò che elabora per riconoscere un evento straordinario, come una transazione potenzialmente fraudolenta, per segnalare l'intervento umano.

Assistenza sanitaria

L’intelligenza artificiale ha già avuto un impatto significativo nel settore sanitario. La tecnologia di deep learning si è rivelata utile nella diagnosi delle malattie degli occhi, tra cui la retinopatia diabetica e il glaucoma, e persino alcuni tumori.

I progressi dell’intelligenza artificiale in medicina sono solo all’inizio.

Cos'è il machine learning e il deep learning?

L’intelligenza artificiale comprende molti campi di ricerca che possono rendere le macchine capaci di svolgere compiti che normalmente avrebbero richiesto l’intelligenza umana e possono variare dagli algoritmi genetici all’elaborazione del linguaggio naturale.

L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale ed è definito come il processo con cui si insegna a un computer a svolgere un compito anziché programmarlo su come eseguirlo passo dopo passo.

L’apprendimento profondo, a sua volta, è un sottoinsieme dell’apprendimento automatico, le cui capacità differiscono per diversi aspetti chiave dal tradizionale apprendimento automatico superficiale, consentendo ai computer di risolvere una serie di problemi complessi che altrimenti non potrebbero essere affrontati.

L’apprendimento automatico può affrontare previsioni superficiali quando vengono forniti dati, come determinare se un frutto in una foto è una mela o un’arancia. Il deep learning può risolvere problemi più complessi, come il riconoscimento dei numeri scritti a mano, laddove durante l’addestramento è necessaria un’enorme quantità di dati.

Nell'esempio specifico illustrato di seguito, il computer deve essere in grado di far fronte a un'enorme varietà di modalità di presentazione dei dati. Ogni cifra compresa tra 0 e 9 può essere scritta in una miriade di modi: la dimensione e la forma esatta di ciascuna cifra scritta a mano possono variare in modo significativo a seconda di chi scrive e in quali circostanze.

Affrontare la variabilità di queste caratteristiche e il caos ancora più grande di interazioni tra di loro è il luogo in cui il deep learning e le reti neurali profonde diventano utili.

Ogni neurone all'interno di una rete neurale è una funzione matematica che riceve dati attraverso un input, li trasforma in una forma più gestibile e quindi li restituisce tramite un output. Puoi pensare ai neuroni di una rete neurale come disposti a strati, come illustrato nell'immagine seguente.

Un semplice diagramma di come è organizzata una rete neurale.

Come funziona una rete neurale profonda?

Nell'esempio sopra, in cui un modello sta imparando a riconoscere i numeri scritti a mano, puoi vedere una rappresentazione molto semplice dell'anatomia di una rete neurale.

Tutte le reti neurali hanno uno strato di input, dove vengono immessi i dati iniziali, e uno strato di output che genera la previsione finale.

Ma in una rete neurale profonda, ci possono essere decine di centinaia di strati nascosti di neuroni tra questi strati di input e di output, ciascuno dei quali fornisce dati all’altro. Da qui il termine "deep" in "deep learning" e "reti neurali profonde"; è un riferimento al gran numero di strati nascosti nel cuore di queste reti neurali.

Nel grafico sopra, ogni cerchio rappresenta un neurone nella rete e sono organizzati in strati verticali e interconnessi. Gli strati nascosti nelle reti neurali profonde possono avere decine di centinaia di strati nascosti.

Quando dovresti utilizzare il deep learning?

Gli algoritmi di deep learning possono prendere dati disordinati e generalmente non etichettati, come video, immagini, registrazioni audio e testo, e imporre un ordine sufficiente per fare previsioni utili, costruendo una gerarchia di caratteristiche che compongono un cane o un gatto in un'immagine o di suoni che formano una parola nel discorso.

Di conseguenza, è meglio utilizzare il deep learning quando è presente una quantità enorme di dati e sono in gran parte non strutturati.

Quali sono gli svantaggi del deep learning?

Uno dei maggiori svantaggi è la quantità di dati richiesti per la formazione, che si traduce nella necessità di accedere a enormi quantità di potenza di calcolo distribuita. Questo requisito comporta un costo elevato di formazione e hardware del computer, poiché la formazione può richiedere hardware costoso, come GPU di fascia alta e array di GPU.

Un altro svantaggio è che le reti neurali profonde sono difficili da addestrare per diversi motivi oltre alle risorse computazionali.

Alcune sfide comuni per le reti neurali profonde includono il problema del gradiente evanescente e dell'esplosione dei gradienti, che possono influenzare i metodi di apprendimento basati sul gradiente; prendersi il tempo necessario per ottimizzare gli iperparametri, come la dimensione del batch e la velocità di addestramento; e overfitting, quando l'elevata complessità della rete fa sì che essa apprenda anche il rumore nei dati di addestramento.

Quali tecniche di deep learning esistono?

Esistono vari tipi di reti neurali profonde, come negli esempi spiegati di seguito, con strutture adatte a compiti diversi.

Questo elenco rimane fluido poiché la ricerca produce nuove tecniche di deep learning da sviluppare nel tempo:

1. Reti neurali convoluzionali (CNN): tendono ad essere utilizzate per attività di visione artificiale, poiché i loro strati iniziali sono specializzati per estrarre caratteristiche distinte da un'immagine, che vengono poi elaborate da una rete neurale più convenzionale per classificare l'immagine.
2. Reti neurali ricorrenti (RNN): sono più comuni per l'elaborazione del linguaggio, poiché dispongono di cicli di feedback integrati, in cui i dati in uscita da uno strato vengono ritrasmessi allo strato precedente, conferendo alla rete un forma di memoria.
3. Reti di memoria a lungo termine (LSTM): come discusso nell'esempio precedente, le LSTM possono essere utilizzate nel rilevamento delle frodi poiché eccellono nell'acquisire dipendenze a lungo termine in sequenze.
4. Reti avversarie generative (GAN): comunemente utilizzate per generare dati, come immagini, testo e video, le GAN presentano due reti neurali in lotta: il generatore e il discriminatore. La rete del generatore cerca di creare dati sintetici convincenti e il discriminatore tenta di distinguere tra dati falsi e dati reali.

Esistono numerosi tipi diversi di reti neurali profonde. Nessuna rete è intrinsecamente migliore dell'altra; sono semplicemente più adatti all'apprendimento di compiti particolari.

Quanto tempo è necessario per addestrare un modello di deep learning?

L'addestramento di un modello di deep learning può richiedere da ore o settimane a mesi. Il tempo varia ampiamente, poiché dipende da fattori quali l'hardware disponibile, l'ottimizzazione, il numero di strati nella rete neurale, l'architettura di rete, la dimensione del set di dati e altro ancora.