Come funziona il deep learning e come migliora le applicazioni

pittogramma Zerouno

Focus on

Come funziona il deep learning e come migliora le applicazioni

Ecco alcuni esempi per capire come funziona il deep learning e come migliorano le applicazioni d’intelligenza artificiale, riducendo complessità e tempi di realizzazione

17 Dic 2019

di Redazione Data Science & Machine Learning

Il deep learning è oggi una delle tecnologie più promettenti nell’ambito dell’intelligenza artificiale (AI) per una serie di motivi che riguardano sia le potenzialità applicative per integrare attività tipicamente umane, sia la possibilità di automatizzare i processi di apprendimento (machine learning) con cui il sistema diventa più abile ed efficace nel corso del tempo.

Ma come funziona il deep learning? Sfruttando la peculiare organizzazione dell’elaborazione nota come rete neurale, il deep learning realizza l’apprendimento avvalendosi di classi specializzate di algoritmi disposti a più livelli. Questa organizzazione permette al sistema di effettuare da sé le operazioni di estrazione di caratteristiche, correlazione e organizzazione gerarchica dei dati con cui è alimentato.

In questo modo si realizza un processo d’apprendimento simile a quello biologico, realizzato per livelli d’astrazione crescenti, che non soffre dei limiti massimi di prestazione che caratterizzano i sistemi di machine learning più semplici “superficiali” che non usano reti neurali. Il deep learning permette ai sistemi di migliorare le prestazioni, man mano che si aggiungono nuovi dati di training e livelli nella rete che li elabora.

L’impatto del deep learning sulle applicazioni dell’AI

Per come funziona il deep learning, non esistono problemi di scalabilità degli algoritmi d’apprendimento utilizzati e oggi è relativamente facile impiegarli grazie all’accessibilità di hardware con CPU e GPU dedicate, oltre che di specifici servizi erogati in cloud. Per questi motivi, il deep learning ha trovato impiego nelle applicazioni di riconoscimento del linguaggio naturale e della voce, che stanno oggi rivoluzionando le modalità d’interazione dei consumatori con i servizi online e residenziali.

Sul fronte business, il deep learning ha consentito passi significativi nel riconoscimento delle immagini, per scopi che vanno dalla classificazione di archivi fotografici alla sicurezza, passando per i sistemi di controllo di qualità industriali e i sistemi di guida autonoma. Servizi di conferenza aziendali sono già oggi in grado di associare i nomi ai volti delle persone, e di trascrivere discussioni. Assistenti sintetici, richiamabili nelle call aziendali, possono fornire su richiesta dati di fatturato, produzione, tempi di consegna e altre informazioni analitiche di cui ci sia necessità durante una riunione o stipula di un contatto.

La tecnologia del deep learning ha messo a disposizione dei reparti marketing e vendite aziendali i nuovi sistemi per l’analisi delle opinioni (sentiment) espresse su social network dai clienti. Strumenti che consentono di indirizzare i gusti dei consumatori o specifici problemi d’immagine relativamente a un marchio o un prodotto.

Il deep learning consente di elaborare dati storici già esistenti in azienda relativi a guasti e interventi su apparati di produzione o altri impianti per scegliere il fornitore migliore, definire le parti da tenere a magazzino o avviare servizi di manutenzione predittiva.

Deep learning nella sanità per migliorare le prestazioni

Un ambito in cui l’intelligenza artificiale e il deep learning possono dare grandi benefici sono le applicazioni nel settore della sanità, campo in cui gli esperti si attendono che la tecnologia possa trasformare l’approccio alla medicina (con specialità create su misura del malato) e il lavoro del medico (con supporti in grado di ridurre i tempi normalmente richiesti per arrivare a una corretta diagnosi).

Sistemi di deep learning hanno mostrato la loro utilità nello sviluppo di nuove molecole medicinali, nell’analisi del genoma e delle immagini radiografiche alla ricerca di tumori. Per come funziona il deep learning, non costituisce un problema analizzare fattori e casi specifici in quantità molto superiori a quelli gestibili da un essere umano e quindi permettere decisioni più veloci. Decisioni che possono salvare delle vite quando, per esempio, aiutano il personale non medico di un pronto soccorso ad assegnare le priorità.

Alcune applicazioni meno critiche riguardano oggi i sistemi di raccomandazione che in base ai sintomi segnalati dalle persone indicano loro cosa fare e di quale medico o specialista hanno bisogno. Un nuovo progetto, che vede coinvolta IBM con il motore deep learning Julia, ha come obiettivo migliorare le cure per la retinopatia diabetica, malattia di cui sono affette 150 milioni di persone nel mondo.

WHITEPAPER  L’intelligenza artificiale e i data scientist: trend, scenari e applicazioni  Scarica il white paper

D

Redazione Data Science & Machine Learning

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale

Articolo 1 di 4