Deep learning
Cos’è il deep learning?
Il deep learning è un tipo di machine learning che utilizza algoritmi progettati per funzionare in modo simile al cervello umano.
Correlato a IA e machine learning
Il deep learning è un sottoinsieme del machine learning (ML), che è a sua volta un sottoinsieme dell’intelligenza artificiale (IA). Il concetto di IA esiste dagli anni '50, con l'obiettivo di rendere i computer in grado di pensare e ragionare in modo simile agli umani. Per rendere le macchine capaci di pensare, il machine learning si concentra su come farle apprendere senza essere esplicitamente programmate. Il deep learning va oltre il machine learning creando modelli gerarchici più complessi pensati per imitare il modo in cui gli umani apprendono nuove informazioni.
Le reti neurali favoriscono il deep learning
Nell’ambito dell'intelligenza artificiale e del machine learning, un modello è un algoritmo matematico addestrato per ottenere lo stesso risultato o previsione che un esperto umano otterrebbe se fornisse le stesse informazioni. Nel deep learning, gli algoritmi sono ispirati alla struttura del cervello umano e noti come reti neurali. Queste reti neurali sono realizzate a partire da switch di rete interconnessi progettati per imparare a riconoscere i modelli allo stesso modo del cervello umano e del sistema nervoso.
Il deep learning guida il futuro
Il deep learning ha consentito la realizzazione di molti tra i più recenti progressi nell’IA. Dalle raccomandazioni sui servizi di streaming agli assistenti vocali fino alla guida autonoma, la capacità di identificare modelli e classificare diversi tipi di informazioni è fondamentale per l'elaborazione di grandi quantità di dati con un input umano minimo o nullo.
Come funziona il deep learning?
Sebbene l'obiettivo originale dell'IA fosse in generale quello di rendere le macchine capaci di fare cose che altrimenti avrebbero richiesto l'intelligenza umana, l'idea è stata perfezionata nei decenni successivi. François Chollet, ricercatore di intelligenza artificiale presso Google e autore della libreria di software di machine learning Keras, afferma: "L'intelligenza non è l'abilità in sé, non è ciò che puoi fare, è come puoi imparare cose nuove in modo efficace e ottimale".1
Il deep learning si concentra sul miglioramento di questo processo che consente alle macchine di apprendere cose nuove. Con l'intelligenza artificiale e il machine learning basati su regole, un data scientist determina le regole e le funzionalità del set di dati da includere nei modelli che determina il funzionamento di tali modelli. Con il deep learning, il data scientist inserisce i dati non elaborati in un algoritmo. Il sistema analizza quindi tali dati, senza regole o funzionalità specifiche preprogrammate al loro interno. Una volta che il sistema ha effettuato le sue previsioni, queste vengono controllate rispetto a un set separato di dati per verificarne la precisione. Il livello di precisione di queste previsioni, o la loro mancanza, informa quindi la successiva serie di previsioni eseguite dal sistema.
L'aggettivo “deep” (profondo) in deep learning si riferisce ai molti livelli che la rete neurale accumula nel tempo, migliorando le prestazioni man mano che la rete diventa più profonda. Ogni livello della rete elabora i suoi dati di input in modo specifico, per poi informare il livello successivo. Quindi l'output di un livello diventa l'input per quello successivo.
L'addestramento delle reti di deep learning richiede molto tempo, oltre all'acquisizione e alla verifica di grandi quantità di dati man mano che il sistema perfeziona gradualmente il proprio modello. Le reti neurali sono state introdotte negli anni ‘50, ma solo recentemente hanno raggiunto funzionalità di potenza di elaborazione e storage dati avanzate a tal punto che gli algoritmi di deep learning possono essere utilizzati per creare tecnologie nuove ed entusiasmanti. Ad esempio, le reti neurali di deep learning che hanno consentito ai computer di svolgere attività come il riconoscimento vocale, la visione artificiale, la bioinformatica e l'analisi delle immagini mediche.
1. Lex Fridman Podcast n. 120, “ François Chollet: Measures of Intelligence”, agosto 2020.
Deep learning e machine learning
Sebbene tutto il deep learning sia machine learning, non tutto il machine learning è deep learning. Entrambe le tecnologie comportano l'addestramento rispetto ai dati di test per determinare quale modello si adatta meglio ai dati. Tuttavia, i metodi tradizionali di machine learning richiedono un certo livello di interazione umana per preelaborare i dati prima che sia possibile applicare gli algoritmi.
Il machine learning è un sottoinsieme dell'intelligenza artificiale. Il suo scopo è conferire ai computer la capacità di apprendere senza essere specificamente programmati sull'output da fornire. Gli algoritmi utilizzati dal machine learning aiutano il computer a imparare come riconoscere le cose. Questo addestramento può essere noioso e richiedere una notevole quantità di sforzo umano.
Gli algoritmi di deep learning fanno un passo avanti creando modelli gerarchici ideati per rispecchiare i processi di pensiero del nostro cervello. Utilizzano una rete neurale a più livelli che non richiede la preelaborazione dei dati di input per produrre un risultato. I data scientist immettono i dati non elaborati nell'algoritmo, il sistema analizza i dati in base a quanto già conosce e a quello che può dedurre dai nuovi dati, quindi fa una previsione.
Il vantaggio del deep learning è che può elaborare i dati in modi che la semplice intelligenza artificiale basata su regole non è in grado di fare. Per ottenere risultati di business chiari e diversificati come un migliore rilevamento delle frodi, un aumento dei raccolti, una maggiore precisione dei sistemi di controllo delle scorte di magazzino e molti altri si può ricorrere alla tecnologia.
Applicazioni attuali del deep learning
Le aziende di molti settori applicano i modelli di deep learning per affrontare una serie di casi d’uso. Qui di seguito sono riportate solo alcune delle numerose applicazioni del deep learning nel mondo reale.
Sanità: il settore medico di oggi genera enormi quantità di dati. Essere in grado di analizzare questi dati in modo rapido e preciso può contribuire a migliorare i risultati dei pazienti in diversi modi. Gli algoritmi di deep learning vengono applicati in aree come la ricerca medica, l'analisi delle immagini, la prevenzione delle malattie, lo sviluppo guidato di farmaci e l'elaborazione del linguaggio naturale, che possono essere particolarmente utili per compilare note cliniche a testo libero nelle cartelle cliniche elettroniche.
Produzione: i produttori devono fornire prodotti e servizi di qualità superiore in tempi più rapidi e a costi inferiori. Molte aziende stanno adottando la computer-aided engineering (CAE) per ridurre i tempi, i costi e i materiali necessari allo sviluppo di prototipi fisici per testare nuovi prodotti. Il deep learning può essere utilizzato per mettere a punto modelli molto complessi in dati multidimensionali e migliorare la precisione dell'analisi dei dati di test.
Servizi finanziari: le frodi rappresentano un problema in aumento in molti settori, ma in particolare per i fornitori di servizi finanziari. Il deep learning può essere utilizzato per identificare comportamenti fuori dagli schemi in modo rapido e a costi contenuti. Le informazioni fornite dai modelli di deep learning possono inoltre contribuire a valutare in modo più preciso il rischio di credito di un richiedente di prestito, prevedere i valori delle azioni, automatizzare le operazioni di back-office e fornire suggerimenti sui prodotti finanziari ai clienti.
Pubblica amministrazione: man mano che più dipartimenti, sistemi e processi vengono digitalizzati, gli enti pubblici possono utilizzare il deep learning per aumentare l'automazione e l’efficienza dei loro dipendenti. Il rilevamento e la classificazione delle immagini possono consentire alle forze dell'ordine di trovare più facilmente persone sospette nei luoghi pubblici. Le richieste di visto e immigrazione possono essere semplificate con algoritmi che automatizzano alcuni aspetti dell'elaborazione. Gli aeroporti utilizzano il deep learning per aumentare la sicurezza, migliorare le operazioni e automatizzare la gestione delle code. I modelli di deep learning possono anche essere utilizzati per prevedere le condizioni del traffico e consentire alle autorità locali di adottare misure proattive per ridurre la congestione stradale.
Accelera l'adozione del deep learning con HPE
Il deep learning è ora più accessibile alle organizzazioni di qualsiasi dimensione. Dall'avvio all'ottimizzazione fino alla scalabilità, HPE può guidare il tuo percorso verso l'accelerazione delle informazioni sui dati e supportare innovazioni rivoluzionarie. Disponiamo dei blocchi costitutivi dell'infrastruttura, del know-how e dell'accesso a partner convalidati per raggiungere i tuoi obiettivi di business.
Sciogli la complessità del deep learning e crea la tua soluzione ideale. L'HPC leader di settore, le intelligent data platform e il fabric di rete ad alta velocità di HPE ti consentono di implementare il deep learning su qualsiasi scala. Supera rapidamente i proof of concept con HPE Pointnext Advisory and Professional Services che offrono il know-how e i servizi necessari per accelerare le distribuzioni dei tuoi progetti di intelligenza artificiale da anni a mesi o settimane. Ottieni accesso istantaneo ai tool e ai dati di intelligenza artificiale che ti servono tramite HPE Ezmeral ML Ops, una soluzione basata su container per supportare ogni fase del ciclo di vita del machine learning.
L’HPE Deep Learning Cookbook fornisce una serie di tool per caratterizzare i carichi di lavoro di deep learning e consigliare lo stack hardware/software ottimale per ogni carico di lavoro specifico. Le raccomandazioni presentate nel nostro Deep Learning Cookbook si basano su una vasta raccolta di risultati sulle prestazioni per vari carichi di lavoro di deep learning su diversi stack tecnologici e modelli di analisi delle prestazioni. La combinazione di misurazioni reali e modelli di analisi delle prestazioni ci consente di valutare le prestazioni di qualsiasi carico di lavoro e di consigliare uno stack ottimale per un determinato carico di lavoro.
In collaborazione con NVIDIA, HPE propone un portafoglio di soluzioni di deep learning e IA ottimizzate leader di settore. Supportiamo il deep learning attraverso workshop online e tenuti da istruttori, architetture di riferimento e benchmark su applicazioni con accelerazione GPU NVIDIA. Le nostre soluzioni si distinguono per il know-how comprovato, l'ecosistema di deep learning più esteso e i framework software di IA.