Le reti neurali e le tecnologie di apprendimento profondo, contrariamente al più tangibile apprendimento automatico a base statistica, sono difficili sia da comprendere che da spiegare. La scarsa chiarezza comporta il rischio di alimentare il pregiudizio in merito alla conformità e alla sicurezza dei sistemi esperti.
Ma c’è una cosa su cui non ci sono dubbi: quando le aziende usano il deep learning e le reti neurali i loro profitti crescono.
Indice degli argomenti
Reti neurali e deep learning: alcuni esempi
Il deep learning esprime al meglio il suo valore nell’ambito dell’analisi delle immagini, ma funziona anche con altre fonti di dati multimediali, tra cui video, file audio e testo non strutturato. In effetti, la tecnologia può trovare diverse applicazioni nella maggior parte delle aziende.
Automotive: Tesla, che incorpora una tecnologia di assistenza alla guida abbastanza avanzata nelle sue auto, ha in corso anche iniziative legate alla guida autonoma. L’apprendimento profondo permette alle auto di comprendere meglio il mondo che le circonda.
Sanità: sono molti gli ospedali che utilizzano il deep learning per elaborare le immagini radiologiche in maniera più dettagliata e automatica. Allo specialista umano il compito di compilare la refertazione.
BtB e BtC: mentre i siti di e-commerce utilizzano le reti neurali per individuare prodotti simili, i sistemi di assistenza clienti le utilizzano per analizzare le domande e i reclami dei clienti. Gli assistenti digitali invece si occupano di comprendere il testo parlato grazie all’aiuto del deep learning.
Manufacturing: Intel usa il deep learning e l’elaborazione del linguaggio naturale (NLP) per supportare i processi di approvvigionamento. La tecnologia viene usata per monitorare in tempo reale eventi a livello mondiale che potrebbero influenzare la catena di fornitura e ricavare consigli che aiutano i processi decisionali. Il passaggio non è stato automatico e ha richiesto molte ore di lavoro per processare nel modo corretto i dati non strutturati e finalizzare l’elaborazione sintetizzata dagli algoritmi. Oggi, a seconda della tipologia di eventi, le informazioni vengono classificate in base al rischio. L’algoritmo apprende anche dal feedback degli utenti per ottimizzare le sue valutazioni.
Inoltre Intel, così come altre aziende manifatturiere, sta utilizzando l’elaborazione delle immagini basata sull’intelligenza artificiale per identificare i difetti nei processi di produzione. Nello specifico, le telecamere usano lunghezze d’onda diverse, come ad esempio l’infrarosso, per scoprire anomalie nel wafer.
Data science: il deep learning sta aiutando anche i data scientist, aiutandoli ad analizzare i set di dati, identificare le caratteristiche importanti e creare meccanismi di punteggio ottimizzati per i migliori risultati. Il deep learning è un ausilio importante per il lavoro dei data scientist che devono produrre i migliori modelli predittivi.
Altre applicazioni commerciali dell’AI
Da qui ai prossimi mesi le previsioni raccontano un moltiplicarsi di altri casi d’uso.
Non solo Intel o Tesla altre aziende all’avanguardia utilizzeranno tecnologie come il deep learning e le reti neurali. Ci sono, infatti, applicazioni anche in alcune industrie molto tradizionali come, ad esempio, in ambito vinicolo. Alcuni produttori di vino, infatti, usano l’AI per cercare difetti nelle loro bottiglie. Se prima le bottiglie dovevano essere controllate visivamente dalle persone, oggi i viticoltori utilizzano la visione computerizzata per rilevare automaticamente i difetti.
Dalle immagini destrutturate alle immagini strutturate
Come fanno notare gli esperti, a livello percettivo il mondo che ci circonda è costituito soprattutto da immagini. Allo stato attuale la proliferazione di telecamere nelle nostre vite è piuttosto passiva perché i risultati della visione si limitano a essere registrati. Grazie alle reti neurali e al deep learning è possibile passare da una modalità di raccolta passiva delle immagini a una modalità più attiva, capace di dare un senso e un valore aziendale per trasformare la raccolta e la gestione in soluzioni più intelligenti e funzionali.
Sistemi esperti di reti neurali per la sicurezza
Nella sicurezza informatica, l’apprendimento profondo e le reti neurali sono utili per analizzare grandi quantità di dati su larga scala. Le aziende raccolgono enormi quantità di dati da sensori di rete, endpoint, applicazioni e firewall. L’apprendimento automatico tradizionale individua anomalie e identifica modelli di comportamento sospetti nell’ambito della sicurezza informatica. Quando si verifica una violazione, le tracce sono ovunque, ma il rapporto segnale-rumore è molto basso. Ci vuole ingegno e molta esperienza per comprendere appieno ciò che accade in un attacco e risalire alla fonte. Ecco perché qualche azienda si sta muovendo per progettare sistemi esperti basati su reti neurali a supporto della sicurezza, occupandosi dell’ingegnerizzazione di quelle caratteristiche che aiutano a determinare i fattori che potrebbero aiutare a identificare un attacco reale. Quindi, le reti neurali vengono utilizzate per espandersi su quella base, aggiungendo uno strato di analisi.
Il tema, infatti, è che nella sicurezza informatica intelligente, non ci sono dati di addestramento. È importante quindi mettere a fattore comunque il background dei security manager in merito a come operano gli aggressori e a cosa facciano. Anche se la quantità di dati di addestramento etichettati è bassa, il volume totale di dati provenienti dai registri di rete e da altri sensori è enorme. Spesso, però, è troppo grande per essere analizzato dall’uomo. Le funzionalità della rete neurale sono utilizzate per effettuare trasformazioni e riduzioni di dominio per alcuni dei set di dati molto grandi su cui lavorano i professionisti della sicurezza.
Strumenti del mestiere
Il deep learning richiede enormi quantità di dati e ingenti costi di archiviazione e elaborazione. In sintesi, è più costoso dell’apprendimento automatico tradizionale quindi è meglio essere chiari sul caso d’uso e sui benefici previsti prima di intraprendere un’iniziativa.
La carenza di esperti in deep learning e reti neurali può essere parzialmente attenuata dai progressi compiuti nell’ambito degli strumenti di intelligenza artificiale, inclusi modelli pre-addestrati pubblicati da Google, Facebook, OpenAI e molte altre società. Il deep learning è anche disponibile sotto forma di API atttraverso piattaforme basate su cloud. Per un approccio più rapido, sono emersi nuovi strumenti come, ad esempio, AutoML di Google. La finalità è di dare raccomandazioni per l’architettura giusta da adottare per l’apprendimento profondo, in modo che gli sviluppatori possano capitalizzare i risultati senza dover investire in sperimentazioni diversificate. IBM ha rilasciato un toolkit open source, AI Explainability 360, che include algoritmi che aiutano a interpretare e spiegare tutti i principali tipi di machine learning utilizzati oggi, nonché alcuni comuni sistemi di deep learning, tra cui analisi di immagini e classificazioni di reti neurali.
Il futuro sarà negli algoritmi generativi
Il prossimo passo nell’evoluzione dell’AI sono gli algoritmi generativi che incorporano più reti neurali, funzionanti contemporaneamente e in modo sincrono per offrire il miglior modello possibile a un determinato problema. Un esempio di questo approccio sono le reti generative utilizzate per creare video di deepfake o anche per imparare a giocare a giochi come Go, un tempo considerati impossibili per i computer.
Gli algoritmi generativi potrebbero essere utilizzati per imparare automaticamente come nel caso della traduzione di una o più lingue. Si tratta di applicazioni ancora sperimentali. Certo è che alcune aziende hanno iniziato a lavorarci.
Partecipa alla community