Cos'è l'apprendimento profondo?

Il deep learning è un sottoinsieme particolare di apprendimento automatico (la meccanica dell'intelligenza artificiale). Anche se questo ramo della programmazione può diventare molto complesso, tutto è iniziato con una domanda molto semplice: “Se vogliamo che un sistema informatico agisca in modo intelligente, perché non lo modelliamo sul cervello umano?”

Quel pensiero ha dato origine a molti sforzi negli ultimi decenni per creare algoritmi che imitassero il modo in cui funzionava il cervello umano e che potessero risolvere i problemi nello stesso modo in cui li risolvevano gli esseri umani. Questi sforzi hanno prodotto strumenti di analisi preziosi e sempre più competenti che vengono utilizzati in molti campi diversi.

La rete neurale e come viene utilizzata

Apprendimento approfondito prende il nome dal modo in cui viene utilizzato per analizzare dati "non strutturati" o dati che non sono stati precedentemente etichettati da un'altra fonte e potrebbero richiedere una definizione. Ciò richiede un’attenta analisi di quali siano i dati e ripetuti test di tali dati per arrivare a una conclusione finale utilizzabile. I computer non sono tradizionalmente bravi ad analizzare dati non strutturati come questi.

Pensaci in termini di scrittura: se dieci persone scrivessero la stessa parola, quella parola apparirebbe molto diversa da ogni persona, da sciatta a ordinata, e da corsivo a stampatello. Il cervello umano non ha problemi a capire che è tutta la stessa parola, perché sa come funzionano le parole, la scrittura, la carta, l’inchiostro e le stranezze personali. Un normale sistema informatico, tuttavia, non avrebbe modo di sapere che quelle parole sono le stesse, perché sembrano tutte così diverse.

Questo ci porta a via reti neurali, gli algoritmi creati appositamente per imitare il modo in cui interagiscono i neuroni nel cervello. Le reti neurali tentano di analizzare i dati nel modo in cui può farlo una mente: il loro obiettivo è gestire dati disordinati, come la scrittura, e trarre conclusioni utili, come le parole che la scrittura tenta di mostrare. È più facile da capire reti neurali se li suddividiamo in tre parti importanti:

Lo strato di input: Nello strato di input, la rete neurale assorbe tutti i dati non classificati che le vengono forniti. Ciò significa scomporre le informazioni in numeri e trasformarli in frammenti di dati sì o no, o “neuroni”. Se volessi insegnare a una rete neurale a riconoscere le parole, il livello di input sarebbe matematicamente definendo la forma di ogni lettera, scomponendola in linguaggio digitale in modo che la rete possa iniziare lavorando. Il livello di input può essere piuttosto semplice o incredibilmente complesso, a seconda di quanto sia facile rappresentare qualcosa matematicamente.

Gli strati nascosti: Al centro della rete neurale ci sono strati nascosti, da uno a molti. Questi strati sono costituiti dai propri neuroni digitali, progettati per attivarsi o meno in base allo strato di neuroni che li precede. Un singolo neurone è un “se questo, allora quello”.“ modello, ma gli strati sono costituiti da lunghe catene di neuroni e molti strati diversi possono influenzarsi a vicenda, creando risultati molto complessi. L'obiettivo è consentire alla rete neurale di riconoscere molte caratteristiche diverse e combinarle in un'unica realizzazione, come un bambino imparando a riconoscere ogni lettera e poi formandole insieme per riconoscere una parola intera, anche se quella parola è scritta poco troppo liquido.

Gli strati nascosti sono anche i luoghi in cui si svolge gran parte della formazione sul deep learning. Ad esempio, se l’algoritmo non riesce a riconoscere accuratamente una parola, i programmatori rispondono: “Scusa, non è corretto”, e l’algoritmo modificherebbe il modo in cui pesava i dati fino a trovare quello giusto risposte. La ripetizione di questo processo (i programmatori possono anche regolare i pesi manualmente) consente alla rete neurale di costruire robusti strati nascosti abile nel cercare le risposte giuste attraverso molti tentativi ed errori oltre ad alcune istruzioni esterne - ancora una volta, proprio come il cervello umano lavori. Come mostra l'immagine sopra, i livelli nascosti possono diventare molto complessi!

Lo strato di output: Lo strato di output ha relativamente pochi “neuroni” perché è dove vengono prese le decisioni finali. Qui la rete neurale applica l'analisi finale, stabilisce le definizioni dei dati e trae le conclusioni programmate sulla base di tali definizioni. Ad esempio, “Basta con i dati allineati per dire che questa parola lo è lago, non sentiero.” Alla fine, tutti i dati che passano attraverso la rete vengono ristretti a neuroni specifici nello strato di output. Poiché è qui che si realizzano gli obiettivi, spesso è una delle prime parti della rete creata.

Applicazioni

Se utilizzi la tecnologia moderna, è molto probabile che gli algoritmi di deep learning siano al lavoro intorno a te, ogni giorno. Come pensi Alexa O Assistente Google capire i tuoi comandi vocali? Usano reti neurali costruite per comprendere il parlato. Come fa Google a sapere cosa stai cercando prima che tu abbia finito di digitare? Apprendimento più profondo sul lavoro. In che modo la tua videocamera di sicurezza ignora gli animali domestici ma riconosce i movimenti umani? Approfondire ancora una volta l'apprendimento.

Ogni volta che il software riconosce gli input umani, da riconoscimento facciale per gli assistenti vocali, probabilmente il deep learning è all'opera da qualche parte sotto. Tuttavia, il campo ha anche molte altre applicazioni utili. La medicina è un campo particolarmente promettente, in cui il deep learning avanzato viene utilizzato per analizzare il DNA alla ricerca di difetti o composti molecolari per potenziali benefici per la salute. Su un fronte più fisico, il deep learning viene utilizzato in un numero crescente di macchine e veicoli per prevedere quando le apparecchiature necessitano di manutenzione prima che qualcosa vada seriamente storto.

Il futuro del deep learning

Il futuro del deep learning è particolarmente luminoso! Il bello di una rete neurale è che eccelle nel gestire una grande quantità di dati disparati (pensa a tutto ciò con cui il nostro cervello ha a che fare, continuamente). Ciò è particolarmente rilevante nella nostra era di sensori intelligenti avanzati, che possono raccogliere un’incredibile quantità di informazioni. Le soluzioni informatiche tradizionali stanno iniziando a faticare con l’ordinamento, l’etichettatura e il trarre conclusioni da così tanti dati.

Il deep learning, d’altro canto, può gestire le montagne digitali di dati che stiamo raccogliendo. Infatti, maggiore è la quantità di dati, più efficiente diventa il deep learning rispetto ad altri metodi di analisi. Questo è il motivo per cui organizzazioni come Google investire così tanto in algoritmi di deep learninge perché è probabile che diventino più comuni in futuro.

E, naturalmente, i robot. Non dimentichiamoci mai dei robot.

Raccomandazioni degli editori

• IA con apprendimento profondo sta aiutando gli archeologi a tradurre antiche tavolette
• Apprendimento profondo dell'intelligenza artificiale può imitare gli effetti di distorsione degli iconici dei della chitarra
• L'intelligenza artificiale che legge la mente analizza le tue onde cerebrali per indovinare quale video stai guardando
• Questa app basata sull'intelligenza artificiale è in grado di individuare il cancro della pelle con una precisione del 95%.
• A.I. i ricercatori creano un sistema di riconoscimento facciale per gli scimpanzé