Abbiamo già affrontato tematiche come l'Intelligenza Artificiale→ e il Machine Learning→ e di come queste discipline possono e potranno portare vantaggi importanti nella Gestione Documentale Digitale→.
Oggi parleremo di Deep Learning. Di cosa si tratta? Che legami ha con l'IA?
Iniziamo col dire che il Deep Learnig è uno dei sottosettori del Machine Learning, il quale, a sua volta, è un sottosettore dell'ampio universo dell'Intelligenza Artificiale.
Ma partiamo dal principio.
Intelligenza Artificiale e Machine Learning: l'apprendimento automatico
L'Intelligenza Artificiale studia le possibilità, da parte delle macchine, di imitare i diversi tipi di intelligenza umana. I dispositivi dotati di IA svolgono compiti complessi e sono in grado di prendere decisioni sulla base di un'esperienza che acquisiscono autonomamente nel tempo.
Lo ribadiamo, non c'è niente di futuristico: L'IA è già ampiamente utilizzata nella nostra quotidianità. Smartphone, smart TV, fotocamere intelligenti, domotica. Gli oggetti che utilizzano l'Intelligenza Artificiale sono intorno a noi da anni.
Lo studio dell'IA premette che le macchine possano pianificare compiti, ripetere azioni fino a perfezionarle, conversare con gli umani, e soprattutto apprendere in modo attivo e autonomo. In pratica, utilizzano le nuove competenze per svolgere i lavori in modo migliore.
La branca che permette l'autoapprendimento è il Machine Learning. La dicitura italiana, Apprendimento Automatico, ne dà un'idea precisa: l'intelligenza imparara da sola tramite l'elaborazione continua di dati, senza che nessun input umano le dia alcun tipo di informazione o comando.
È proprio l'assenza di intervento umano che differenzia l'Intelligenza Artificiale dalle altre tecnologie "tradizionali": l'immissione delle nuove informazioni avviene dall'ambiente esterno. Laddove la "vecchia" macchina conosce a seconda delle definizioni dei dati ricevuti e svolge il compito come impartito, quella che utilizza l'IA segue un processo perpetuo che la porta ad analizzare i nuovi dati da sola, per crescere di volta in volta.
L'apprendimento tra Machine Learning e Deep Learning
Scendendo nel dettaglio, nel Machine Learning l'intervento umano si circoscrive nella fase iniziale, quella algoritmica: Ossia, l'uomo definisce gli algoritmi che permette ai software di autoapprendere i cosiddetti dati strutturati.
In una seconda fase, il programma analizza i file e i dati strutturati che riceve di volta in volta, imparando le differenze tra loro e riuscendo a distinguerli. Così saprà individuare autonomamente, ad esempio, la categoria di un file che ne è ancora privo, perché ha imparato dagli oggetti simili.
L'immissione di dati può avvenire in svariati modi, a seconda dell'obiettivo:
- dati "secchi" da analizzare e confrontare;
- dati forniti di input e output;
- esposizione ad ambienti dinamici;
- confronto con le reazioni di un essere umano.
A questo punti vi chiederete: e il Deep Learning?
Abbiamo detto che si tratta di una sottocategoria del Machine Learning. Ma, forse, è ancora più corretto definirla una disciplina che perfeziona il Machine Learning, migliorando le capacità di autoapprendimento.
Come? Grazie a loro: le reti neurali.
Reti neurali e Deep Learning: imparare in profondità
Nel Deep Learning non è necessario immettere dati strutturati per dare il via al processo di apprendimento. L'intelligenza sfrutterà l'analisi delle reti neurali per inglobare una quantità enorme di dati e metterli in continuo confronto.
Possiamo dire che il Deep Learning imita ancor più da vicino il comportamento del cervello umano, non solo nei comportamenti (cioè la restituzione dei risultati) ma anche nei processi di apprendimento (cioè i mezzi).
Le reti neurali del cervello, infatti, non sono sistemi lineari bensì hanno una struttura su più livelli incrociati: i neuroni creano una rete fittissima tramite una moltitudine di interconnessioni, che stanno alla base dei ragionamenti avanzati dell'essere umano.
Utilizzando modelli matematici e informatici complessi, si è trovato il modo di replicare questi schemi per creare delle reti neurali artificiali, che riescono a incrociare in modi sorprendenti le informazioni. Al posto di ricavarne ragionamenti semplici, se ne ricavano di avanzati, avvicinandosi a quelli di un essere umano.
Qui sta il Deep Learning: la macchina sfrutta le reti neurali artificiali per elaborare le informazioni come farebbe un cervello. La forza del Deep Learning sta negli infiniti incroci di "neuroni", per cui più punti di informazione ci sono, più incroci sono possibili.
È per questo che, a differenza del Machine Learning, sono necessari set di dati molto più ampi, che però non devono necessariamente essere strutturati. È la macchina a confrontarli di continuo, per ricavarne delle conclusioni avanzate.
Come questa tecnologia acquisisce dati? Anche qui vi sono diverse modalità, incluse quelle che prevedono i metadati, oppure metodi di scansione automatica che richiedono pochissima azione umana, in modo da lasciare la macchina ad imparare da sola per lungo tempo, leggendo dalle fonti via web. Ogni tecnica è adatta a un certo risultato, aprendo alle tantissime applicazioni del Deep Learning: chatbot, sicurezza, riconoscimento facciale e vocale, automazioni lavorative.
