Guide

Machine learning, deep learning e reti neurali. Ecco di cosa parliamo

di Luca Tremolada

8 January 2019

4' min read

Mettiamola così: quando sui giornali si legge in un titolo “intelligenza artificiale” molto probabilmente si parla di software di machine learning.
Gli algoritmi di apprendimento automatico, per fornire una traduzione, sostanzialmente utilizzano la statistica e la matematica per trovare senso (pattern), correlazioni e andamenti a enormi quantità di dati. Per dati intendiamo tutto quanto può essere digitalizzato e quindi reso fluido (o computer readeable): numeri, parole, immagini, like, video. Se una informazione può essere resa digitale, allore può essere memorizzata e quindi inserita in un algoritmo di apprendimento automatico. Risultato: le macchine stanno imparando a riconocere l’0rdine dal caos di dati strutturati e non strutturati. Riconoscono immagini e parole, classificano informazioni, analizzano documenti, conversano con il linguaggio naturale e scelgono i percorsi della auto a guida autonoma. Stanno imparando, sono per ora bambini, con attività piuttosto limitate. Per ora si limita ad automatizzare attività. Ma hanno il potenziale di apprendere. Vediamo come.

Dove troviamo il machine learning. L'apprendimento automatico o machine learning è già presente in molti prodotti o servizi che utilizziamo. Il sistemi di raccomandazione di piattaforme di streaming come Netflix, YouTube e Spotify è alimentato con il machine learning, anche i motori di ricerca come Google e Baidu o i feed dei social media come Facebook e Twitter. In molti prodotti che si definiscono smart c’è il machine learning, primi fra tutti gli assistenti vocali presenti negli speaker di Google e Amazon.

Intelligenza artificiale e machine learning già protagoniste nella nostra vita quotidiana

A cosa serve il machine learning. Abbiamo capito che per funzionare gli algoritmi devono nutrirsi di dati. Più ne mangiano e più crescono. Più crescono e più diventano bravi. Da qui è intuibile perché si dice che chi detiene o controlla le banche dati può ottimizzare meglio di altri i tool di machine learning. Ogni piattaforma digitale raccoglie quanti più dati possibili. Prendiamo i social: sanno per esempio i nostri gusti, quello che ci piace, cosa leggiamo e le foto che postiamo. Il machine learning analizzando le tracce digitale che lasciamo può per esempio suggerirci contenuti che ci piacciono sulla base delle indicazioni che volontariamente o involontariamente gli abbiamo dato. Per dirla in altro modo, questi tool sono in grado con molta più efficienza dell'uomo, di rilevare strutture significative all'interno di basi di dati anche molto ampie e sulla base di queste informazioni prevedere servizi e prodotti.

Come funziona?
Usando una semplificazione, possiamo dire che questi sistemi cercano un pattern e lo applicano. Guardano le cose, imparano a identificarle, le riconoscono e cercano delle relazioni. Gli statistici lo fanno da secoli: ricercano le regolarità del mondo, si domandano in che modo delle variabili sono collegate. Per fare un esempio questi sistemi più che fornire una risposta singola offrono un sistema di analisi in grado di darmi delle risposte sempre piàù accurate: «se questo problema nei precedenti mille casi è stato risolto così, quale è la soluzione più probabile per la volta mille e uno?»

Cosa sono le reti neurali. Le reti neurali sono usate nel machine learning. Non sono una recente acquisizione. Sono nate diciamo negli anni Cinquanta. Si ispirano al funzionamento del cervello. Gli studiosi di solito criticano questa definizione ma rende bene il senso. In realtà quelli che definiamo neuroni sono numeri il cui valore varia da 0 a 1. Sono raggruppati in layer o livelli. Quelli di primo livello sono incaricati di tradurre in dato come imput. Nel caso del riconoscimento di una immagine possiamo pensare al colore di un singolo pixel. Questi informazioni sono connesse ad altre caratteristiche in cui è scomposta l’immagine. Ogni neurone è connesso a un’altro in base a un indice che misura il peso della relazione. L’ultimo layer è formato da neuroni che servono a riconoscere di che animale si tratta e contengono la definizione del singolo animale. Attraverso analisi statistiche sulla base dei pesi delle singole connessioni viene calcolata la probabilità che una data immagina corrisponda alle informazioni contenuti.

Info Data - I limiti dell’intelligenza artificiale in un video

Cosa è il deep learning. L'apprendimento profondo possiamo definirlo come l'apprendimento automatico potenziato con gli steroidi. Nel senso che utilizza una tecnica che offre alle macchine una maggiore capacità individuare pattern attraverso un uso più sofisticato delle reti neurali. Più prosaicamente, il deep learning sta alle reti neurali tradizionali come i grattacieli stanno ai normali condomini. Resta un sottoinsieme del machine learning. funziona molto bene per il riconoscimento di oggetti nelle immagini e di elementi nei suoni, ma è più sofisticato.

Come fa la macchina ad apprendere? Le macchine imparano in tre modi: aprendimento supervisionato, senza supervisione e rinforzo. Nell'apprendimento supervisionato, il più diffuso, i dati sono etichettati in modo da ottenere il loro scopo. Pensiamo a un cane da fiuto che è stato addestrato a trovare quello specifico odore. Quando scegli un film su Netflix esegui un comando che dice all’algorimto di trovare tutti gli spettacolo di quel genere. Semplice. Nell'apprendimento non supervisionato, i dati non hanno etichette. La macchina cerca solo i modelli che riesce a trovare. È come lasciare che un cane annusi tonnellate di oggetti diversi e li divida in gruppi con odori simili. Le tecniche senza supervisione non sono così popolari perché hanno applicazioni meno ovvie. È interessante notare che hanno guadagnato la trazione nella sicurezza informatica . Infine, abbiamo l' apprendimento di rinforzo , l'ultima frontiera dell'apprendimento automatico. Un algoritmo di rinforzo impara per tentativi ed errori per raggiungere un obiettivo chiaro. Prova molte cose diverse e viene ricompensato o penalizzato a seconda che i suoi comportamenti aiutino o impediscano il raggiungimento del suo obiettivo. Questo è come dare e trattenere le leccornie quando si insegna a un cane un nuovo trucco. L'apprendimento del rinforzo è alla base di AlphaGo di Google, il programma che ha battuto i migliori giocatori umani nel complesso gioco di Go.