Dall’Intelligenza Artificiale al Deep Learning

In informatica, con algoritmo si intende una serie di istruzioni ben definite date ad una macchina per eseguire certe azioni che permettono di risolvere un determinato problema. Normalmente, l’algoritmo viene progettato e sviluppato per risolvere un problema specifico e non cambia nel tempo.

Intelligenza Artificiale

In un sistema di IA, invece, l’algoritmo impara e si modifica in base ai dati che riceve. Più dati vengono analizzati dall’IA e migliore sarà il risultato finale. Quindi in un sistema di IA alla macchina vengono sottoposti i risultati che deve ottenere e sarà la macchina stessa, attraverso un percorso di addestramento, a trovare il modo migliore per raggiungere quel risultato.

L’intelligenza artificiale è un insieme di tecnologie che include il Machine Learning. A sua volta il machine learning include le reti neurali artificiali (Artificial Neural Networks). Un sotto-insieme delle reti neurali artificiali sono le reti neurali profonde (Deep Learning).

Figura 1 – Dall’Intelligenza Artificiale al Deep Learning [Fonte: IBM].

Esempio di Intelligenza Artificiale:

• AlphaGo, sviluppato da Google DeepMind tra il 2014 e il 2015, è diventato il primo programma in grado di sconfiggere un giocatore umano professionista al gioco del Go, un antichissimo gioco cinese di strategia. AlphaGo ha imparato le regole di gioco analizzando ed interpretando le strategie da diverse migliaia di partite.

Machine Learning (Apprendimento automatico)

Il Machine Learning è un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono in base ai dati che utilizzano. Nel Machine Learning le informazioni o, meglio, i modelli vengono acquisiti direttamente dai dati, senza l’utilizzo di equazioni predeterminate.

In un problema risolto in maniera tradizionale è il programmatore a descrivere nel dettaglio i vari step necessari alla soluzione.

Con il Machine Learning, attraverso opportuni algoritmi matematici esposti a una determinata serie di dati in una fase iniziale definita di training (o apprendimento) e passando per una seconda fase di test (o valutazione dei risultati) per l’ottimizzazione dei parametri, viene ricavata autonomamente la funzione in grado di individuare all’interno di una differente serie di dati la soluzione più probabile, indicando eventualmente un grado di confidenza nella stima. In pratica, il sistema ricava da solo la funzione. Tale sistema, composto da algoritmo addestrato, dati e parametri, viene chiamato modello.

L’apprendimento automatico è alla base dei sistemi di intelligenza artificiale in quanto abilita le macchine ad apprendere senza essere esplicitamente e preventivamente programmati.

I modelli di Machine Learning sono molto efficaci nell’individuare correlazioni in enormi serie di dati, prendendo in considerazione un numero di variabili che sarebbero impensabili per un essere umano.

Il Machine Learning presenta due importanti vantaggi rispetto ad altre tecniche:

• Tolleranza ai dati “sporchi” come per esempio record duplicati, campi analizzati in modo errato o informazioni incomplete, errate o obsolete;
• Flessibilità nell’apprendimento automatico. Al crescere dei dati forniti all’algoritmo, cresce la capacità di apprendere e migliorare la qualità dell’algoritmo.

Esempi di Machine Learning:

• Strumenti di analisi di marketing basati sul machine learning possono consentire di valutare i dati esistenti e di fare previsioni affidabili su quale tipo di post può generare conversioni, quali contenuti i clienti vogliono leggere e quali canali di marketing conducono all’acquisto;
• Chatbot possono basarsi sull’apprendimento automatico. Orientandosi sulle parole chiave contenute nella richiesta dell’utente, possono guidare il cliente verso le informazioni desiderate attraverso diverse domande;
• Il machine learning di Netflix e Amazon consente ai sistemi di prevedere con successo a quali prodotti e servizi i clienti saranno potenzialmente interessati. Tali sistemi sono in grado di fornire suggerimenti molto dettagliati, così da incentivare la vendita di prodotti e di articoli fortemente personalizzabili.

Artificial Neural Network (Reti Neurali Artificiali)

Le Artificial Neural Network consistono in un modello matematico di calcolo che simula il comportamento delle reti neurali biologiche del cervello umano. Quest’ultimo, a differenza delle macchine, riesce a compiere più operazioni tra loro indipendenti contemporaneamente, ed è quindi un modello a cui aspirare.

Una Artificial Neural Network può essere formata sia da programmi software che da hardware e si basa su una rete di interconnessioni tra tre tipi di nodi che si scambiano informazioni:

• I – input (nodi di ingresso): i nodi che ricevono ed elaborano i segnali provenienti dall’esterno adattandoli ai nodi interni;
• H – hidden (nodi intermedi): i nodi che realizzano il processo di elaborazione vero e proprio ognuno indipendentemente dall’altro. I nodi intermedi sono detti strati della rete (o livelli);
• O – output (nodi di uscita): i nodi che raccolgono i risultati dell’elaborazione dello strato H e li trasmettono in uscita.

Esempi di Artificial Neural Network sono per esempio:

• Elaborazione del linguaggio naturale in grado di comprendere la parola e i testi in tempo quasi reale, per la creazione di assistenti virtuali evoluti. A differenza degli assistenti basati su Machine Learning, i chatbot basati sul Deep Learning comprendono il linguaggio umano naturale e non si basano sull’uso di parole chiave specifiche;
• Sistemi di visione artificiale per il riconoscimento e classificazione di immagini;
• Ottimizzazione della ricerca e recupero delle informazioni;
• Assistenti vocali, attraverso i quali gli utenti possono chiedere, attraverso la voce, di effettuare ordini, inviare e-mail, creare report o effettuare ricerche (come ad es. Siri, Alexa e Google Home).

Figura 2 – Modello di una rete neurale artificiale

Deep Learning (Apprendimento profondo)

Una rete neurale costituita da due o più serie di nodi intermedi consente una forma di elaborazione molto potente, chiamata per l’appunto apprendimento profondo (deep learning).

Il Deep Learning consiste nella capacità di un algoritmo di apprendere a partire dai dati di input attraverso successivi strati di elaborazione.

L’apprendimento profondo utilizza più livelli di filtri per conoscere le caratteristiche significative dei dati.

Figura 3 – Modello Deep Learning.

Esempio di Deep Learning:

• Macchine in grado di riconoscere una persona attraverso il tono della sua voce o la fisionomia del suo viso.

Bibliografia:

• Deep Learning, Ian Goodfellow
• Deep Learning, John D. Kelleher