Come funziona il deep learning e applicazioni nel mondo AI

Tra le varie branche che compongono l’intelligenza artificiale, ce n’è una che ha un ruolo sempre più importante: il deep learning. Tradotto in apprendimento profondo, si tratta di quella materia che insegna ai computer come fare per elaborare i dati ispirandosi alla struttura del cervello umano.

A detta di molti, parliamo del vero e proprio motore che si trova dietro le tecnologie più avanzate che usiamo tutti i giorni sui nostri dispositivi, come il riconoscimento del volto o i traduttori automatici.

Ma cos’è nel dettaglio? E come funziona? In questa guida, vediamo tutto quello che c’è da sapere a proposito del deep learning.

Cos’è il deep learning

Il deep learning è un’evoluzione del machine learning, ossia la capacità di una macchina di imparare senza dover essere esplicitamente programmata. Col deep learning, si intende il metodo che dà modo di fare tutto questo sfruttando architetture gerarchiche che emulano il modo in cui si comporta il cervello umano.

In termini tecnici, parliamo di una sottocategoria dell’intelligenza artificiale basata sulle Reti Neurali Artificiali con più di tre strati. Il termine deep si riferisce proprio al numero di livelli nascosti dove si trasformano i dati.

Si tratta di una tecnologia che in realtà è frutto di decenni di ricerca. Già negli anni ’40 e ’50, ricercatori come McCulloch e Pitts prima, Frank Rosenblatt poi, progettarono sistemi simili come Perceptron, l’antenato delle reti odierne.

Negli anni ’80 il ricercatore Geoffrey Hinton rese celebre la retropropagazione dell’errore, un modo matematico per allenare le reti con più stradi.

La svolta l’abbiamo avuta chiaramente con l’avvento dell’AI, che ha aggiunto a tutte queste nozioni due ingredienti fondamentali: la potenza di calcolo e i big data.

Il deep learning nasce per risolvere il problema della feature engineering. Nei modelli più vecchi, gli uomini dovevano spiegare al computer come comportarsi. Il deep learning è invece l’intermediario designato, così che la rete possa imparare da sola quali caratteristiche sono rilevanti guardando milioni di esempi.

Quando si parla di deep learning

Si inizia a parlare di deep learning quando si verificano tre condizioni legate alla complessità, all’architettura e all’autonomia del sistema:

• Profondità: se una rete ha più strati intermedi, da decine a migliaia, entra in gioco il concetto delle macchine che creano rappresentazioni dei dati via via più astratti;
• Nessun intervento umano: la differenza fondamentale col machine learning è l’assenza dell’apporto umano. Entra in gioco il deep learning quando la macchina riceve i dati grezzi e decide da sola quali sono importanti per arrivare alla soluzione;
• Big data: si inizia ad entrare nel territorio del deep learning quando i metodi statici tradizionali non funzionano più. Dunque se ci sono immagini e video con pixel non ordinati, onde sonore complesse o linguaggio naturale umano.

Entrando nel pratico, invece, il deep learning va in azione quando il carico di lavoro è così elevato da richiedere processi grafici e chip dedicati. Di fatto quindi, il deep learning lavora ogni volta che un PC fa qualcosa di umanamente complesso come capire un discorso, guidare un auto o generare un’immagine.

Come funziona il deep learning

Per capire meglio come funziona il deep learning, si può immaginare una catena di montaggio composta da piccoli interruttori organizzati in strati.

Per prima cosa, vi è la scomposizione in strati. Quelli iniziali riconoscono i dettagli minuscoli e grezzi come punti, linee e angoli. Quelli intermedi combinano le linee per riconoscere forme come cerchi e quadrati. Quelli profondi combinano le forme per riconoscere oggetti come un occhio, una ruota o un naso. Infine gli strati di output danno il verdetto finale.

Il secondo passaggio chiave è quello dei pesi, ossia valori numerici che connettono i neuroni tra di loro. Se un neurone dello strato precedente è importante per la decisione finale, il suo peso sarà alto. All’inizio, questi pesi sono casuali poiché la rete non sa ancora nulla.

Terzo step fondamentale è l’apprendimento. Nel momento di andata, i dati entrano, passano attraverso i livelli, vengono moltiplicati e la rete dà una risposta. C’è poi la funzione di perdita e uscita, che misura quanto è grave l’errore. In questo modo, l’algoritmo torna indietro e dice a ogni neurone cosa c’è di sbagliato.

Infine l’ottimizzazione. Attraverso un metodo chiamato Gradient Descent, la rete cerca in matematico le combinazioni di pesi che riducono l’errore al minimo. Di fatto, quindi, il deep learning funziona per tentativi ed errori. Più dati vede e più correzioni riceve, più migliora.

Quali sono le applicazioni del deep learning

Oggi le applicazioni del deep learning sono praticamente infinite. Un esempio lampante è quello della visione artificiale, ossia la capacità delle macchine di vedere e capire il contenuto di immagini e video.

Stesso discorso per l’elaborazione del linguaggio naturale, che dà modo alle macchine di capire, tradurre e generare il linguaggio umano.

Sempre più diffuso il suo uso nell’intrattenimento e nei media, per esempio quando vengono forniti suggerimenti personalizzati sulle piattaforme di streaming video o musicale.

Anche la finanza e la sicurezza adottano da anni il deep learning, per rilevare frodi analizzando milioni di transazioni al secondo e per il trading algoritmico analizzando dati storici dei mercati per prevederne le variazioni.

Infine ci sono la scienza e la ricerca, in prima linea con AlphaFold. Si tratta di un sistema di Google DeepMind che ha risolto il mistero della forma delle proteine, così da accelerare la ricerca di nuovi farmaci. Ma anche le semplici previsioni meteo usano modelli che elaborano dati satellitari complessi per prevedere eventi climatici.

Alcuni casi d’uso del deep learning

Per aiutarti a meglio comprendere cos’è e come funziona il deep learning, vediamo insieme alcuni esempi concreti di utilizzo di questa tecnologia oggi.

Abbiamo accennato all’AlphaFold, uno strumento che ha risolto un enigma biologico rimasto in fase di studio per oltre 50 anni. Gli scienziati cercavano di capire come le proteine si ripiegassero su loro stesse, così da velocizzare la creazione di nuovi farmaci.

Con il deep learning, il sistema ha previsto la struttura di quasi tutte le 200 milioni di proteine note alla scienza in pochi mesi. Ha accelerato ricerche su malattie come l’Alzheimer e la creazione di nuovi vaccini.

Un secondo esempio utile è quello della guida autonoma. Per poter funzionare, deve elaborare x Giga di dati al secondo, provenienti da telecamere e da sensori. Con le reti neurali profonde, avviene l’addestramento utilizzando milioni di ore di guida reale. L’auto non segue regole rigide, ma impara a riconoscere i pattern come la differenza tra un’ombra sull’asfalto o una buca.

Un terzo esempio è quello dei sistemi di traduzione in tempo reale. I vecchi traduttori sostituivano semplicemente le parole nella lingua selezionata, mentre il deep learning usa i Transformer per analizzare l’intera frase e il contesto prima di tradurre. In questo modo, la macchina capisce sfumature e modi di dire per rendere la traduzione più fluida e naturale.

Ci sono poi decine di altri esempi di cui ti avvali anche tu ogni giorno. Il deep learning serve ad esempio per il riconoscimento facciale dello schermo con FaceID, per i sistemi di sicurezza negli aeroporti, per assistenti vocali come Siri e Alexa, per i suggerimenti personalizzati di Netflix e YouTube e per strumenti utili alla creazione di immagini come DALL-E e Midjourney.