Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

Intelligenza artificiale e deep learning: opportunità e rischi

pittogramma Zerouno

Focus on

Intelligenza artificiale e deep learning: opportunità e rischi

Implementare piattaforme di intelligenza artificiale e deep learning: occorre cogliere le opportunità senza trascurare i requisiti delle applicazioni

04 Nov 2019

di Redazione Data Science & Machine Learning

Il futuro delle imprese e di tutto il mondo produttivo a livello globale appare ormai indissolubilmente legato allo sviluppo di tecnologie come intelligenza artificiale (AI) e deep learning (DL), ma l’implementazione nelle organizzazioni di questi nuovi paradigmi di computing pone anche sfide tecnologiche e strategiche non banali su diversi fronti.

Un dato è certo: ormai, l’intelligenza artificiale rappresenta un’opportunità di mercato che nessuna impresa può più rischiare di lasciar perdere: creando una nuova relazione tra uomo e macchina, la AI sta cambiando la natura del lavoro, spiega la società di consulenza Accenture, stimando in una recente ricerca che essa potrà far raddoppiare i tassi di crescita economica annuale entro il 2035. Le tecnologie AI avranno un forte impatto sul business, permettendo di aumentare la produttività del lavoro fino al 40%. In Italia, stima la società di consulenza manageriale McKinsey & Company, l’intelligenza artificiale, entro il 2030, potrebbe generare per l’economia nostrana una crescita complessiva del 13% del PIL, pari a 228 miliardi di euro.

Perché il deep learning sta crescendo

Su un altro versante, come parte della più ampia famiglia di metodologie di machine learning, anche le tecniche di deep learning stanno sperimentando una forte espansione: questo mercato, secondo un rapporto della società di analisi Zion Market Research, nel 2017 valeva 2,3 miliardi di dollari, ma è previsto raggiungere 23,6 miliardi di dollari entro il 2024, crescendo con un CAGR attorno al 39% tra il 2018 e il 2024. L’uso crescente del deep learning nelle applicazioni medicali, in ambiti come l’imaging, è solo uno dei fattori alla base di questa espansione.

A differenza del machine learning tradizionale, in cui il processo di apprendimento automatico è supervisionato e dipende dai dati e modelli di esempio che sono stati inizialmente forniti al sistema, il vantaggio del deep learning è la capacità dell’algoritmo di costruire da sé tale insieme di modelli, senza necessità di supervisione, e più dati vengono analizzati più il modello predittivo diventa accurato. Questi algoritmi d’intelligenza artificiale e deep learning richiedono però, appunto, di poter accedere a enormi moli di dati di training, e di disporre di maggior potenza computazionale, rispetto al classico machine learning.

Saper selezionare l’infrastruttura di intelligenza artificiale e deep learning

Chiarito che realizzare un’infrastruttura di intelligenza artificiale e deep learning diventa sempre più strategico per competere con efficacia in sempre più numerosi ambiti di business, va detto che il rischio è implementare un’architettura hardware e software non adeguata in rapporto alle presenti e future necessità aziendali. Molte imprese sono in fase sperimentale con l’AI, scrive la società di ricerche e consulenza IDC, ma tutte stanno valutando le opzioni disponibili per selezionare la soluzione più idonea: e ciò perché la maggior parte dei data center non possiede l’infrastruttura adatta a supportare con efficienza i pesanti carichi di lavoro generati dagli algoritmi di deep learning.

Dal punto di vista dei requisiti hardware, queste applicazioni di intelligenza artificiale e deep learning richiedono, ad esempio, l’adozione di acceleratori AI: esempi possono essere le unità di elaborazione grafica come le GPU (Graphics Processing Unit), o i processori manycore, cioè processori multi-core specializzati, progettati per raggiungere un elevato livello di elaborazione parallela, e dedicati all’ambito HPC (High Performance Computing). Configurazioni hardware basate su tali tipologie di dispositivi permettono infatti di fornire l’efficienza di calcolo necessaria, e di ridurre i tempi di analisi dei dati.

Tuttavia, per ottimizzare al massimo e mettere in produzione la piattaforma di intelligenza artificiale e deep learning occorre abbinare agli acceleratori hardware anche i framework di deep learning e gli strumenti di sviluppo più indicati, in modo da costruire un ambiente AI il più possibile integrato, completo e supportabile in maniera agevole ed economica.

Point of view: IBM L’infrastruttura aziendale nell’era dell’intelligenza artificiale: sfide e vantaggie Scarica il white paper

D

Redazione Data Science & Machine Learning

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale
Intelligenza artificiale e deep learning: opportunità e rischi

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    LinkedIn

    Twitter

    Whatsapp

    Facebook

    Link

    Articolo 1 di 4