Computers are able to see, hear and learn. Welcome to the future!
Dave Waters
Dietro larga parte della tecnologia che utilizziamo ogni giorno esiste una complessa struttura di algoritmi che trovano il loro fondamento nella teoria delle Reti Neurali. Degli algoritmi, più o meno complessi, in grado di “imparare” a generalizzare determinati concetti a partire da un set di dati.
Il potere di questi metodi è che si stanno dimostrando efficienti nello svolgere compiti finora impegnativi per gli approcci di sviluppo software convenzionali, ma prima di entrare più nel dettaglio, è utile capire la relazione che intercorre tra Intelligenza Artificiale, Machine Learning e Deep Learning.
Intelligenza Artificiale è una tecnica che consente ai computer di simulare l’intelligenza umana. Include il Machine Learning.
Machine Learning è un subset di Intelligenza Artificiale che usa tecniche, ad esempio l’apprendimento avanzato, che consentono ai computer di usare l’esperienza per migliorare le attività. Grazie alle tecniche di apprendimento automatico e apprendimento avanzato, è possibile creare sistemi di computer e applicazioni che eseguono attività comunemente associate all’intelligence umana. Queste attività includono il riconoscimento delle immagini, il riconoscimento vocale e la traduzione della lingua.
Deep Learning è un subset di Machine Learning basato su reti neurali artificiali. Il processo di apprendimento è profondo perché la struttura delle reti neurali artificiali è costituita da uno strato “deep”, nascosto. Ogni livello contiene unità che trasformano i dati di input in informazioni che il livello successivo può usare per una determinata attività predittiva. Grazie a questa struttura, un computer può apprendere tramite la propria elaborazione dei dati.
COSA SONO LE RETI NEURALI?
Wikipedia definisce le Reti Neurali “ un modello matematico composto di “neuroni” artificiali, che si ispira a una rete neurale biologica”, perché il comportamento dei nodi che le compongono ricorda proprio quello dei neuroni biologici.
Le Reti Neurali Artificiali (Artificial Neural Network) sono utilizzate per risolvere problemi di natura complessa non facilmente codificabili, e sono una colonna portante del Machine Learning come viene inteso oggi. L’apprendimento automatico è un po’ ovunque, e non solo è diventato il modo prevalente di declinare il concetto di Intelligenza Artificiale, ma si tratta anche di uno dei campi col tasso di innovazione più alto in assoluto, contraddistinto da novità, anche radicali, che si susseguono senza sosta.
Grazie anche ai recenti miglioramenti, i sistemi di calcolo possono ora essere addestrati a risolvere compiti impegnativi che generalmente coinvolgono non solo grandi quantità di dati, ma anche persone con una notevole esperienza nello sviluppo di software e nel Machine Learning.
Nonostante i risultati promettano grandi cose, le Reti Neurali non sono l’unica tecnologia per implementare l’IA nei computer, ma solo una possibilità, anche se vengono spesso presentate come l’unica via percorribile. Esistono infatti diversi tipi di Reti Neurali, che a seconda del caso possono essere utilizzate a seconda degli scopi prefissati.
Dai laboratori alle fabbriche, i casi d’uso si moltiplicano e sono tanti gli esempi dalle auto a guida autonoma all’elaborazione di immagini radiologiche, dal monitoraggio della catena di approvvigionamento al rilevamento delle minacce a supporto della sicurezza informatica.
COME SI ALLENA UNA RETE NEURALE?
Se le connessioni sono stabilite correttamente per risolvere il problema, la Rete deve apprendere e va “addestrata” facendo in modo che impari (in maniera automatica e adattiva) come comportarsi nel momento in cui andrà risolto quel problema, come può essere ad esempio il riconoscimento facciale, che si basa sul riconoscimento di un essere umano dall’analisi delle immagini.
Ci sono due metodi fondamentali:
- Apprendimento supervisionato / Supervised Learning – al sistema vengono forniti sia set di dati di input (degli esempi) sia le informazioni relative ai risultati desiderati con l’obiettivo (altri esempi di output), in modo che il sistema impari il nesso tra loro e ne estrapoli una regola riutilizzabile per altri compiti simili.
- Apprendimento non supervisionato / Unsupervised Learning – all’algoritmo vengono forniti solo set di dati senza alcuna indicazione del risultato desiderato. Il sistema impara esclusivamente sulla base degli input. Lo scopo di questo secondo metodo è identificare nelle informazioni in ingresso una struttura logica senza che queste siano preventivamente etichettate.
Altri modelli in uso sono l’apprendimento semi-supervisionato che è un modello “ibrido” nel quale all’algoritmo viene fornito un set di dati incompleti per l’allenamento/apprendimento; e l’apprendimento per rinforzo nel quale il sistema deve interagire con un ambiente dinamico e raggiungere un obiettivo, imparando anche dagli errori.
RETI NEURALI: CASI D’USO
La tecnologia viaggia talmente veloce che da qui ai prossimi mesi le previsioni raccontano di un moltiplicarsi di situazioni e ambiti di utilizzo.
Il Deep Learning esprime al meglio il suo valore nell’ambito dell’analisi delle immagini, ma funziona anche con altre fonti di dati multimediali, tra cui video, file audio e testo non strutturato.
In effetti, la tecnologia può trovare diverse applicazioni nella maggior parte delle aziende e funziona egregiamente nei diversi casi in cui i computer esaminano i dati per determinate caratteristiche al fine di effettuare un’assegnazione:
- Riconoscimento di porzioni di testo o riconoscimento di entità denominate – identifica parti di testo come input trasformandole in classi già specificate, come ad esempio un codice postale, una data, un ID prodotto. Questa operazione può servire per creare schemi strutturati come un elenco di indirizzi, oppure fare da benchmark per un motore di convalida delle identità.
- Rilevamento di oggetti – permette la classificazione delle immagini (si identifica il tipo di immagine) e la loro localizzazione (fornisce la posizione). Il rilevamento degli oggetti è già in uso in settori quali giochi, vendite al dettaglio, turismo e auto autoguidate.
- Generazione didascalia immagine – il sistema genera una didascalia che descrive il contenuto dell’immagine. Quando è possibile rilevare ed etichettare oggetti nelle fotografie, il passaggio successivo consiste nel trasformare tali etichette in frasi descrittive.
- Traduzione automatica – accetta parole o frasi da una lingua e le converte automaticamente in un’altra lingua. L’apprendimento avanzato in questo caso raggiunge risultati impressionanti in due aree: la traduzione automatica del testo (e la traduzione di testo vocale) e la traduzione automatica delle immagini.
- Analisi del testo – basata su metodi di apprendimento avanzato comporta l’analisi di grandi quantità di dati di testo (ad es. documenti medici o ricevute di spese), il riconoscimento dei modelli e la creazione di informazioni organizzate e concise.
Il successo delle Reti Neurali cresce in base anche alla quantità di dati a disposizione, più è ampia, più è preciso ed eccelle nell’identificare i modelli nei dati non strutturati.
Sono molte e svariate le applicazioni possibili che Deep Learning e Reti Neurali possono trovare nei diversi settori e gli sviluppi più recenti stanno ampliando notevolmente il campo di applicazione e le prestazioni delle reti.
5 SETTORI CHE STANNO PARTICOLARMENTE BENEFICIANDO DEL DEEP LEANING
AUTOMOTIVE
Sono molte le aziende che hanno investito nella ricerca e sviluppo della guida autonoma, un contesto in rapida crescita di cui Tesla è apripista.
Il Deep Learning, in questo caso, permette di sviluppare software con una visione potenziata aiutando le auto a comprendere meglio il mondo che le circonda e a prendere decisioni smart.
Per questo motivi le vetture sono dotate di sistemi di rilevamento come telecamere e sensori che registrano ostacoli, semafori, segnali stradali e qualsiasi impedimento ci possa essere lungo il percorso. I dati raccolti servono come esempio per insegnare alle auto come reagire realmente su strada.
CYBERSECURITY
Nella sicurezza informatica, Deep Learning e Reti Neurali sono utili per analizzare grandi quantità di dati su larga scala aiutando le aziende a identificare attività potenzialmente dannose e a proteggersi da diversi tipi di attacchi, come forza bruta, accessi non riusciti, file exfiltration e malware.
La mole di dati che raccolgono le aziende attraverso applicazioni, endpoint, sensori di rete e firewall, sono in una misura talmente alta da non poter essere analizzati dall’uomo. Ed è qui che entra in gioco l’IA automatizzando i processi più complessi, quelli necessari a rilevare gli attacchi e analizzare il modo migliore per reagire alle violazioni. In questo particolare caso, il problema centrale è che non ci sono dati di addestramento in sé e per sé; in quest’ottica diventa fondamentale mettere a fattor comune il background dei Security Manager in merito a come operano e a cosa fanno i potenziali aggressori, lavorando quindi intorno a quelle caratteristiche che aiutano a determinare i fattori per identificare un attacco reale.
DATA SCIENCE
Quando si parla di grandi quantità di dati il riferimento alla Data Science è più che dovuto. Il Deep Learning è un ausilio fondamentale per i Data Scientist che devono trasformare informazioni grezze in evidenze utili al business: produrre di modelli predittivi migliori, come aiuto nell’analisi di set di dati, identificazione delle caratteristiche importanti e creazione di meccanismi di punteggio ottimizzati per i migliori risultati. L’ausilio di queste tecnologie unito alla capacità del Data Scientist di estrarre valore dai dati, consentono alle organizzazioni di sbagliare di meno, rivoluzionare le modalità operative e di relazione con i propri clienti.
HEALTHCARE
Deep Learning è utilizzato molto in ambito ospedaliero per elaborare le immagini radiologiche in maniera più dettagliata e automatica lasciando allo specialista umano il compito di compilare la parte di referto. Un esempio è quello di un gruppo di scienziati statunitensi che ha insegnato a una Rete Neurale a leggere gli elettrocardiogrammi. L’IA ora è in grado di individuare i pazienti a rischio di sviluppare aritmie fatali anche quando, per i medici, i risultati dell’esame sono nella norma. L’intento è chiaro: sfruttare la potenza di calcolo dell’IA per analizzare una grande quantità di dati al fine di avere uno strumento oggettivo in grado di individuare i segnali ricorrenti e indicativi che possono sfuggire all’occhio dei medici.
MANUFACTURING
In ambito manifatturiero le aziende hanno già implementato un sistema basato sull’Intelligenza Artificiale che identifica i difetti nei processi di produzione utilizzando un processo di elaborazione delle immagini. Attraverso l’uso di telecamere con lunghezze d’onda diverse, come ad esempio l’infrarosso, riescono a scovare anomalie nei prodotti.
Famoso è l’esempio di Intel che usufruisce di Deep Learning, in congiunzione al Natural Processing Language l’elaborazione del linguaggio naturale, per supportare i processi di approvvigionamento. La tecnologia si occupa di monitorare in tempo reale gli eventi che a livello mondiale potrebbero influenzare la catena di fornitura e ne ricava consigli utili ai processi decisionali. Un’implementazione che ha richiesto molto lavoro per poter processare correttamente i dati non strutturati e giungere a un’elaborazione finalizzata dagli algoritmi, che ora sono in grado di apprendere anche dai feedback degli utenti massimizzando così le valutazioni.
Per citare alcune tra le applicazioni più importanti delle Reti Neurali di autoapprendimento, è sufficiente nominare gli assistenti vocali conosciuti ai più come Alexa di Amazon, Siri di Apple e l’Assistente Google.
Deep Learning e Reti Neurali non sono “maneggiate” solamente da grandi Gruppi, ma trovano applicazione anche in industrie più tradizionali. Un esempio recente è quello del comparto vitivinicolo. Alcuni produttori usano infatti l’Intelligenza Artificiale per rilevare automaticamente i difetti nelle loro bottiglie.
Le tecnologie si stanno evolvendo in maniera incredibilmente rapida facendo enormi progressi giornalieri. Non ci resta che informarci e tenerci aggiornati in attesa, in un misto di curiosità e un pizzico di timore, che continuino a maturare.
TI È PIACIUTO QUESTO ARTICOLO? LEGGI ANCHE:
Intelligenza Artificiale: come inserirla nella tua strategia senza rischi
Big Data e Intelligenza Artificiale: Lesson Learned
Robotic Process Automation: arrivano i software intelligenti
