La disciplina dell’Intelligenza Artificiale ha avuto una rapida crescita ed oggi algoritmi e strumenti basati su di essa fanno parte della nostra vita quotidiana. Anche i termini Machine Learning e Deep Learning sono sempre più utilizzati.
Tuttavia, Intelligenza Artificiale, Machine Learning e Deep Learning non sono sinonimi ma si riferiscono a tre concetti diversi. Scopriamo meglio di cosa si tratta!
Differenze tra Intelligenza Artificiale, Machine Learning e Deep Learning
L’Intelligenza Artificiale è una disciplina dell’informatica che si occupa di creare macchine intelligenti. Una macchina intelligente è un computer o un robot controllato da un computer o da un software che svolge funzioni e ragionamenti tipici della mente umana. L’Intelligenza Artificiale quindi è costruita studiando come il cervello umano pensa e impara, decide e lavora nel tentativo di risolvere un problema. I risultati di questo studio sono utilizzati come base per lo sviluppo di software e sistemi definiti intelligenti.
L’Intelligenza Artificiale, dalla sua nascita ad oggi, si è evoluta molto e ha dato vita a diversi ambiti di specializzazione tra cui, principalmente, Machine Learning e Deep Learning.
Il concetto di Machine Learning è stato teorizzato alla fine degli anni 50 ma, fino agli anni 80 (ossia quando l’evoluzione tecnologia ha reso possibile la sua concreta implementazione), è rimasto un argomento poco discusso.
Dal 2010 in poi l’introduzione di nuove tecniche atte ad imitare i neuroni umani (chiamate Reti Neurali), ha dato inizio all’epoca del Deep Learning o Apprendimento Profondo.
Possiamo dunque immaginare l’Intelligenza Artificiale come una matrioska:
- il Machine Learning è un sottoinsieme dell’Intelligenza Artificiale che si occupa dello sviluppo di algoritmi e tecniche che consentono ai computer di imparare;
- il Deep Learning è un sottoinsieme di metodi di Machine Learning e si basa su Reti Neurali Artificiali, ovvero modelli computazionali che si ispirano al funzionamento del cervello umano.
Che cos’è il Machine Learning?
Il Machine Learning è un insieme di algoritmi che permettono ad una macchina di apprendere.
Gli algoritmi di Machine Learning si dividono in Supervisionati e Non Supervisionati: la distinzione si basa sul fatto che per essere eseguiti abbiano bisogno di dati di esempio o meno. Il Machine Learning infatti, per poter apprendere, deve essere “addestrato” con gli esempi dei risultati che vogliamo ottenere.
Un esempio di utilizzo di questi algoritmi è l’individuazione automatica dello spam: quando classifichiamo determinate e-mail come spam, l’algoritmo automaticamente impara a individuarne delle nuove che non ha mai visto. Un secondo esempio è dato dagli algoritmi che prendono il nome di Recommender System.
I Recommender System sono degli algoritmi che permettono di trovare correlazioni e somiglianze fra elementi (prodotti da vendere, utenti ecc). Si tratta proprio di quegli algoritmi che hanno permesso a realtà come Amazon o Netflix di proporre i propri prodotti e servizi agli utenti sulla base delle loro abitudini di fruizione. Attraverso l’individuazione di legami matematici, infatti, i Recommender System permettono di prevedere se ad un utente potrà piacere un prodotto che non ha mai visto prima.
Gli algoritmi di Machine Learning sono d’aiuto in moltissime occasioni della vita quotidiana. Non ci sostituiscono ma ci anticipano e ci permettono di prendere decisioni più consapevoli e veloci.
Che cos’è il Deep Learning
La Matrioska dell’Intelligenza Artificiale comprende anche il Deep Learning, una delle metodologie più interessanti per riuscire a rendere “intelligente” una macchina.
Il cervello degli esseri umani è formato da oltre 86 miliardi di neuroni che si scambiano quotidianamente informazioni: questo ci consente di percepire e capire il mondo e di prendere decisioni. Allo stesso modo Minsky e Papert, nel 1969, definirono il modello di un Percettrone, ovvero una sorta di neurone digitale che, date informazioni in entrata, riesce a restituire un risultato binario 0/1 in uscita, minimizzando l’errore. Il neurone digitale funziona come un interruttore, che si accende e si spegne, permettendo di prendere delle decisioni. Se mettiamo in pila questi diversi neuroni e creiamo diversi livelli, in cui l’output di alcuni neuroni diventa l’input di altri, stiamo parlando di Rete Neurale.
La caratteristica principale di una Rete Neurale Artificiale è la sua capacità di apprendere durante una fase di addestramento e quindi generalizzare le conoscenze acquisite per prevedere situazioni nuove.
Il grande vantaggio delle reti neurali sta nel riuscire a predire il corretto risultato nonostante quantità inferiori di dati rispetto al Machine Learning . Proprio come un cervello umano, infatti, queste reti hanno una memoria interna che viene incrementata con l’esperienza.
Qual è la differenza tra Machine Learning e Deep Learning?
In sintesi, le differenze tra Machine Learning e Deep Learning sono:
- il Deep Learning richiede un intervento umano minimo, mentre il Machine Learning ha bisogno di maggiore partecipazione per essere allenato;
- il Machine Learning funziona in tempi abbastanza ridotti ma allo stesso tempo ha una potenza limitata mentre il Deep Learning necessita di un maggiore tempo di impostazione per poi fornire risultati immediati;
- il metodo alla base è differente: il Machine learning apprende dai dati e, di conseguenza, prende delle decisioni; con il Deep Learning, invece, viene creata una rete neurale che apprende dai dati e prende decisioni in autonomia.
Quali sono le applicazioni pratiche di Machine Learning e Deep Learning?
In generale, possiamo dire che il Machine Learning è utilizzato per il riconoscimento dello spam, della voce, di immagini e nelle attività diagnostiche delle malattie; mentre il Deep Learning viene utilizzato in contesti a maggiore complessità come, ad esempio, la guida autonoma e la chirurgia robotica.
Ci sono alcuni settori che stanno già sfruttando al meglio le potenzialità di Machine Learning e Deep Learning. Ad esempio:
- servizi finanziari, per proporre e indirizzare opportunità di investimento o supportare gli investitori nel trading individuando possibili frodi;
- salute, per la realizzazione di smart werable e di sensori, per individuare situazioni anomale e identificare trend che supportano le scelte di cura;
- gestione amministrativa, per la gestione dei servizi per il cittadino e per la sicurezza pubblica;
- trasporti, per individuare comportamenti ripetuti e pattern che aiutino nel progettare nuove strade, nel migliorare l’efficienza del traffico e nel prevenire incidenti;
- utility e telecomunicazioni, per comprendere meglio il comportamento dei propri utenti, proporre nuovi servizi e prodotti e limitare il tasso di abbandono a favore della concorrenza;
- media, per la trascrizione di contenuti e la realizzazione di archivi multimediali che consentano di effettuare ricerche per concetti o parole chiave.
Conclusioni
Pur trattandosi di ambiti strettamente legati, Intelligenza Artificiale, Machine Learning e Deep Learning non possono essere utilizzati come sinonimi. Il paragone con una matrioska aiuta a fare chiarezza: all’interno della disciplina dell’Intelligenza Artificiale la branca del Machine Learning si occupa dello sviluppo di algoritmi e tecniche che consentono ai computer di imparare; il Deep Learning è, a sua volta, un sottoinsieme di metodi di Machine Learning basato sull’utilizzo di Reti Neurali Artificiali, modelli computazionali che si ispirano al funzionamento del cervello umano.
Continua ad approfondire, leggi altri articoli Skilla!