Cos'è il deep learning?

Le persone imparano dall'esperienza. Più le nostre esperienze sono ricche, più possiamo imparare. Nella disciplina di intelligenza artificiale (AI) nota come deep learning, lo stesso si può dire per le macchine basate su hardware e software di intelligenza artificiale. Le esperienze attraverso cui le macchine possono apprendere sono definite dai dati che acquisiscono, e la quantità e la qualità dei dati determinano quanto possono imparare.

Il deep learning è un ramo del machine learning. A differenza dei tradizionali algoritmi di machine learning, molti dei quali hanno una capacità finita di apprendere indipendentemente dai dati che acquisiscono, i sistemi di deep learning possono migliorare le performance con accesso a più dati: la versione automatica di una maggiore esperienza. Dopo che le macchine hanno acquisito abbastanza esperienza attraverso il deep learning, possono essere messe al lavoro per attività specifiche come la guida di un'auto, il rilevamento di erbacce in un campo di raccolti, il rilevamento di malattie, l'ispezione di macchinari per identificare i guasti, e così via.

Le reti di deep learning imparano scoprendo strutture complesse nei dati che sperimentano. Creando modelli di elaborazione composti da più livelli di elaborazione, le reti possono creare più livelli di astrazione per rappresentare i dati.

Per esempio, un modello di deep learning noto come rete neurale convoluzionale può essere addestrato utilizzando un gran numero (per esempio in milioni) di immagini, come quelle contenenti gatti. Questo tipo di rete neurale tipicamente impara dai pixel contenuti nelle immagini che acquisisce. Può classificare gruppi di pixel rappresentativi delle caratteristiche di un gatto, con gruppi di caratteristiche come artigli, orecchie e occhi che indicano la presenza di un gatto in un'immagine.

Il deep learning è fondamentalmente diverso dal machine learning convenzionale. In questo esempio, un esperto di dominio dovrebbe spendere tempo considerevole ingegnerizzando un sistema convenzionale di apprendimento automatico per rilevare le caratteristiche che rappresentano un gatto. Con il deep learning, tutto ciò che è necessario è fornire al sistema un numero molto elevato di immagini di gatti, e il sistema può imparare autonomamente le caratteristiche che rappresentano un gatto.

Per molte attività, come la computer vision, il riconoscimento vocale (noto anche come elaborazione del linguaggio naturale), la traduzione automatica e la robotica, le performance dei sistemi di deep learning superano di gran lunga quelle dei sistemi di machine learning convenzionali. Ciò non significa che la creazione di sistemi di deep learning sia relativamente semplice rispetto ai sistemi di apprendimento automatico tradizionali. Anche se il riconoscimento delle caratteristiche è autonomo nel deep learning, migliaia di iperparametri (manopole) devono essere sintonizzati per rendere efficace un modello di deep learning.

Viviamo in un'epoca di opportunità senza precedenti e la tecnologia del deep learning può aiutarci a fare nuove scoperte. Il deep learning è stato determinante nella scoperta dei pianeti extrasolari e di nuovi farmaci e nel rilevamento di malattie e particelle subatomiche. Sta fondamentalmente aumentando la nostra comprensione della biologia, compresa la genomica, la proteomica, la metabolomica, l'immunoma, e molto altro ancora.

Stiamo vivendo anche in un momento in cui ci troviamo di fronte a sfide irremovibili. Il cambiamento climatico minaccia la produzione alimentare e potrebbe un giorno condurre a guerre per le risorse limitate. La sfida del cambiamento ambientale sarà esacerbata da una popolazione umana in continua crescita, che dovrebbe raggiungere i nove miliardi entro il 2050. L’ambito e la portata di queste sfide richiedono un nuovo livello di intelligenza reso possibile dal deep learning.

Durante l'esplosione cambriana circa 540 milioni di anni fa, la visione emerse come un vantaggio competitivo negli animali e divenne presto un principale motore dell’evoluzione. In combinazione con l'evoluzione delle reti neurali biologiche per elaborare l'informazione visiva, la visione ha fornito agli animali una mappa dell'ambiente circostante e ha accresciuto la loro consapevolezza del mondo esterno.

Oggi, la combinazione di telecamere come occhi artificiali e reti neurali in grado di elaborare le informazioni visive acquisite da questi occhi sta portando a una esplosione delle applicazioni AI data-driven. Proprio come la visione ha svolto un ruolo cruciale nell'evoluzione della vita sulla terra, il deep learning e le reti neurali miglioreranno le capacità dei robot. Saranno sempre più in grado di comprendere il loro ambiente, prendere decisioni autonome, collaborare con noi e aumentare le nostre capacità.

Robotica

Molti dei recenti sviluppi nel campo della robotica sono stati guidati dai progressi nel campo dell'intelligenza artificiale e del deep learning. Ad esempio, l'intelligenza artificiale consente ai robot di percepire e rispondere al proprio ambiente. Questa capacità aumenta la gamma di funzioni che possono eseguire, dalla navigazione nei piani del magazzino allo smistamento e alla gestione di oggetti irregolari, fragili o mescolati insieme. Qualcosa di semplice come raccogliere una fragola è un compito facile per gli esseri umani, ma è stato notevolmente difficile per i robot. Con il progredire dell'intelligenza artificiale, questo progresso migliorerà le capacità dei robot.

Gli sviluppi dell'intelligenza artificiale ci consentono di prevedere che i robot del futuro vengano sempre più utilizzati come assistenti umani. Non saranno usati solo per capire e rispondere alle domande, come alcuni sono usati oggi. Saranno anche in grado di agire su comandi vocali e gesti, anche anticipare la prossima mossa di un lavoratore. Oggi, i robot collaborativi lavorano già insieme agli esseri umani, con esseri umani e robot che eseguono attività separate che sono più adatte ai loro punti di forza.

Agricoltura

L'AI ha il potenziale per rivoluzionare l'agricoltura. Oggi, il deep learning consente agli agricoltori di implementare attrezzature in grado di vedere e differenziare tra piante coltivate ed erbacce. Questa capacità consente alle macchine per disinfestare di spruzzare selettivamente erbicidi sulle erbacce e lasciare intatte altre piante. Le macchine agricole che utilizzano una visione computerizzata abilitata al deep learning possono persino ottimizzare la gestione delle singole piante in un campo spruzzando selettivamente erbicidi, fertilizzanti, fungicidi, insetticidi e prodotti biologici. Oltre a ridurre l'uso di erbicida e migliorare la produzione agricola, il deep learning può essere ulteriormente esteso ad altre operazioni agricole come l'applicazione di fertilizzanti, l'irrigazione e la raccolta.

Imaging medico e settore sanitario

Il deep learning è stato particolarmente efficace nell'imaging medico, grazie alla disponibilità di dati di alta qualità e alla capacità delle reti neurali convoluzionali di classificare le immagini. Per esempio, il deep learning può essere efficace come un dermatologo nella classificazione dei tumori della pelle, se non di più. Diversi fornitori hanno già ricevuto l'approvazione FDA per gli algoritmi di deep learning per scopi diagnostici, tra cui l'analisi delle immagini per oncologia e malattie retiniche. Il deep learning sta inoltre facendo significativi progressi nel migliorare la qualità dell'assistenza sanitaria, prevedendo eventi medici dai dati delle cartelle cliniche elettroniche.

Il futuro del deep learning

Oggi esistono diverse architetture di rete neurali ottimizzate per determinati tipi di input e attività. Le reti neurali di convoluzione sono molto efficaci nella classificazione delle immagini. Un'altra forma di architettura di deep learning utilizza reti neurali ricorrenti per elaborare dati sequenziali. Sia i modelli di rete neurale a convoluzione che quelli ricorrenti eseguono ciò che è noto come apprendimento supervisionato, il che significa che devono essere dotati di grandi quantità di dati da apprendere. In futuro, i tipi più sofisticati di AI utilizzeranno l'apprendimento non monitorato. Una quantità significativa di ricerca è dedicata alla tecnologia di apprendimento non sorvegliata e semisorvegliata.

Il rafforzamento dell'apprendimento è un paradigma leggermente diverso da quello del deep learning, in cui un agente impara per prova ed errore in un ambiente simulato esclusivamente da premi e punizioni. Le estensioni di deep learning in questo settore sono definite deep reinforcement learning (DRL). Ci sono stati notevoli progressi in questo campo, come dimostrato dai programmi DRL che battono gli esseri umani nell’antico gioco del GO.

Progettare architetture di rete neurali per risolvere i problemi è incredibilmente difficile, reso ancora più complesso con molti iperparametri da regolare e molte funzioni di perdita da scegliere per ottimizzare. C'è stata molta attività di ricerca per imparare a utilizzare autonomamente adeguate architetture di rete neurale. Imparare ad imparare, anche conosciuto come metalearning o AutoML, è un metodo che sta facendo progressi costanti.

Le attuali reti neurali artificiali si basavano sulla comprensione degli anni ‘50 di come i cervelli umani elaborano le informazioni. La neuroscienza ha fatto notevoli progressi da allora, e le architetture di deep learning sono diventate così sofisticate che sembrano mostrare strutture come le cellule a griglia, che sono presenti nei cervelli neurali biologici utilizzati per la navigazione. Sia la neuroscienza che il deep learning possono trarre beneficio l’uno dall’altro dall’impollinazione incrociata di idee, ed è altamente probabile che questi campi comincino a fondersi a un certo punto.

Non utilizziamo più computer meccanici e a un certo punto non utilizzeremo nemmeno computer digitali. Piuttosto, utilizzeremo una nuova generazione di computer quantistici. Negli ultimi anni, ci sono state diverse innovazioni nel computing quantistico e gli algoritmi di apprendimento possono certamente trarre vantaggio dall'incredibile quantità di calcolo disponibile che i computer quantistici offrono. Potrebbe anche essere possibile utilizzare algoritmi di apprendimento per comprendere l'output dei computer quantistici probabilistici. L’apprendimento automatico quantistico è un ramo molto attivo dell'apprendimento automatico, e la prima Conferenza Internazionale di Quantum Machine Learning del 2018 è un buon inizio.