Focus on

Deep learning e intelligenza artificiale: differenze e vantaggi

Ecco cosa caratterizza deep learning e intelligenza artificiale e quali sono le 5 principali situazioni dove forniscono un supporto importante al lavoro dei data scientist

Pubblicato il 03 Dic 2019

1 Deep learning e intelligenza artificiale

Machine learning, deep learning e intelligenza artificiale (AI) sono i termini più ricorrenti quando si parla di soluzioni per ottimizzare i processi d’impresa e le relazioni con i clienti. Ma quali sono le distinzioni?

Per AI si intendono, in generale, le capacità intelligenti delle macchine nel percepire l’ambiente e rispondere ai problemi, basandosi sull’esperienza. Un ambito di ricerca in continua evoluzione, che ha trovato applicazioni nel riconoscimento di chat e voce nei servizi mobili e online, così come nell’analisi delle immagini in ambiti di sicurezza, automazione industriale e, di recente, con la guida autonoma.

Aspetto centrale dell’AI è l’apprendimento artificiale o machine learning (ML), ossia la tecnica mediante la quale si ottengono risposte intelligenti da un algoritmo addestrato con dati fenomenologici dell’ambiente in cui deve operare.

Le peculiarità di deep learning e intelligenza artificiale

Mentre nel ML tradizionale l’algoritmo dev’essere addestrato mediante dati e risposte d’esempio, con il deep learning l’apprendimento è autonomo. Grazie alle reti neurali che simulano il cervello umano, gli algoritmi di deep learning identificano da soli le correlazioni tra i dati costruendovi sopra il modello esperienziale che, attraverso processi d’inferenza, dà significato ai nuovi dati e nel contempo perfeziona il modello di partenza.

Deep learning e intelligenza artificiale vanno quindi a braccetto in un vasto insieme di applicazioni intelligenti che devono apprendere ed evolvere il comportamento. Il risultato è un sistema adatto ad affrontare le problematiche più complesse e a scoprire le relazioni che sfuggirebbero agli esseri umani. Deep learning è una tecnica utile alle aziende e ai data scientist in almeno cinque situazioni che elenchiamo di seguito.

Fare migliore uso dei dati non strutturati

Gran parte dei dati in azienda è non strutturata, ossia costituita da immagini, testi, e-mail, video, ossia da dati difficili da reperire e sfruttare per scopi di business. Gli algoritmi di deep learning sono in grado di estrarre informazioni rilevanti da un’immagine, come la presenza di oggetti o persone, trovare relazioni tra ricerche online, discussioni su social network e la domanda di uno specifico prodotto o servizio.

Eliminare gli oneri del “feature engineering”

Il feature engineering è una fase fondamentale del machine learning, un processo che richiede al data scientist conoscenze specifiche dell’argomento. Uno dei vantaggi del deep learning è la capacità di eseguire questo compito da solo, analizzando le caratteristiche che correlano i dati, velocizzando l’apprendimento senza necessità di aiuti esterni. Questa capacità risparmia una notevole quantità di lavoro.

Aumentare la qualità dei risultati

A differenza dei computer, gli esseri umani sono soggetti a essere stanchi e distratti, quindi a commettere errori. Le reti neurali e deep learning non hanno queste limitazioni e, una volta addestrate, eseguono i compiti in un periodo di tempo molto più breve rispetto all’essere umano. La tecnologia permette di assolvere a compiti ripetitivi senza mai perdere attenzione, come farebbe l’essere umano, senza alcun peggioramento delle prestazioni nel tempo.

Ridurre i costi di produzione

Nel settore industriale, i richiami di prodotto per difetti sono sempre molto costosi, sia sotto la forma di costi diretti sia d’immagine aziendale. Con il deep learning è possibile insegnare a un sistema come riconoscere difetti nei prodotti o nell’etichettatura, altrimenti difficili da rilevare. Oltre a riconoscere i difetti, il sistema è in grado di apprendere le contromisure adottate e quindi risultare utile per velocizzare processi di manutenzione o d’ispezione.

Eliminare le necessità di etichettare i dati

L’applicazione di etichette ai dati è un impegno gravoso che assorbe molto tempo al data scientist. Con approcci AI basati sul deep learning viene meno la necessità di disporre di dati etichettati, poiché gli algoritmi non ne hanno bisogno per apprendere. Un aspetto peculiare del deep learning che non è riscontrabile in altre forme di apprendimento automatico.
WHITEPAPER  L’intelligenza artificiale e i data scientist: trend, scenari e applicazioni  Scarica il white paper

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4