Ciao. Con questo podcast continuiamo il nostro viaggio nell’Intelligenza Artificiale, per scoprirne aspetti e applicazioni e capirla un po’ di più. Oggi parliamo di deep learning e di machine learning. 

Machine learning e deep learning: le origini

Ci eravamo lasciati nell’ultimo episodio con le GPU e i chip neuromorfici, punti di arrivo dell’evoluzione dell’Intelligenza Artificiale, cominciata quando alla metà degli anni Cinquanta del XX secolo si sentì parlare di percettrone. GPU e chip neuromorfici sono la base del deep learning. Ma prima di vedere di cosa si tratta e di coglierne la differenza con il Machine Learning, facciamo un passo indietro e torniamo alla classificazione AI debole e AI forte. 

Ne abbiamo parlato in uno dei primi episodi del nostro viaggio, ed è importante perché sta alla base della distinzione tra Machine Learning e Deep Learning. In particolare, l’Intelligenza Artificiale debole identifica sistemi tecnologici capaci di simulare alcune funzionalità cognitive dell’uomo, senza tuttavia raggiungerne le effettive capacità intellettuali. In questo confine rientrano per esempio programmi matematici di problem-solving con cui si sviluppano funzionalità per risolvere problemi o per consentire alle macchine di prendere decisioni.

L’Intelligenza Artificiale forte, invece, fa riferimento a “sistemi sapienti” (o addirittura “coscienti di sé”, secondo alcuni scienziati). Questi sistemi possono sviluppare una propria intelligenza in modo autonomo, senza emulare processi di pensiero o capacità cognitive simili a quelle dell’uomo. 

Quindi, quel che caratterizza l’Intelligenza Artificiale da un punto di vista tecnologico e metodologico è il metodo o modello di apprendimento con cui essa acquisisce abilità in un compito o azione. Questi modelli di apprendimento sono alla base della distinzione tra Deep learning e Machine Learning.

Machine learning e deep learning: le differenze

Cos’è quindi, il Deep Learning? E’ un insieme di modelli di apprendimento ispirati alla struttura e al funzionamento del cervello biologico; o, se preferite, della mente umana. Per farlo, non le basta basarsi su un modello matematico, ma ha bisogno di reti neurali artificiali progettate ad hoc (si chiamano deep artificial neural networks), e anche di una capacità computazionale molto potente, indispensabile per “reggere” differenti strati di calcolo e analisi (che è poi quanto accade nelle connessioni neurali del nostro cervello.

Il deep learning non è solo futuro, ma è già in uso nel riconoscimento di pattern, nel riconoscimento vocale (i nostri assistenti, tipo Alexa, si allenano a riconoscere la nostra voce) e nel riconoscimento delle immagini. E’ in uso inoltre nei sistemi di Nlp – Natural Language Processing.

Cos’ invece il machine learning? Diciamo subito che è qualcosa di meno complesso del deep learning. Si tratta infatti di un’insieme di metodi che consentono al software di adattarsi, o attraverso i quali si permette alle macchine di apprendere affinché possano poi svolgere un compito senza doverle preventivamente programmare per stabilirne comportamente e reazioni.

Possiamo anche dire che il machine learning è il sistema che allena l’AI a imparare, a correggere i propri errori per essere autonoma nello svolgere un compito. E’ la base di partenza da cui poi si arriva al deep learning. 

Machine learning e deep learning: i modelli di apprendimento

Ciò che caratterizza il Machine Learning è il “modello di apprendimento”, in base al quale si possono classificare gli algoritmi:

– con supervisione didattica (l’apprendimento avviene per mezzo di esempi di input e di output che fanno capire all’AI come deve comportarsi);

– senza supervisione didattica (l’apprendimento si ha analizzando i risultati: in questo caso il software capisce come agire sulla base di output che mappano i risultati di determinate azioni le quali saranno poi messe in atto dal software);

– reinforcement learning (o anche apprendimento “meritocratico”: l’AI viene premiata quando raggiunge gli obiettivi, ed è in questo modo che impara quali azioni siano corrette e quali no). 

Machine learning e deep learning: un’altra classificazione

Un’altra classificazione importante da tenere conto quando si parla si AI è quella che si fonda sulle abilità intellettuali, e che si articola su quattro livelli

Il primo: la comprensione: simulando capacità di correlazione tra dati ed eventi l’AI è in grado di riconoscere testi, immagini, tabelle, video, voci e di estrapolarne informazioni;

Il secondo: il ragionamento logico, che consente ai sistemi di collegare le molteplici informazioni raccolte. Ciò avviene attraverso precisi algoritmi matematici e in modo automatizzato;

Il terzo: l’apprendimento: in questo caso parliamo di sistemi con funzionalità specifiche per analizzare input di dati e per restituire correttamente degli output da essi. Il classico esempio a riguardo è quello dei sistemi di Machine Learning che con tecniche di apprendimento automatico portano le intelligenze artificiali a imparare come svolgere determinate funzioni. 

Il quarto è l’interazione (Human Machine Interaction), che si riferisce alle modalità di funzionamento dell’AI in relazione a come interagisce con l’uomo. In questo ambito c’è la forte avanzata del deep learning e in particolare dei sistemi di Nlp – Natural Language Processing, ciò quelle tecnologie che consentono all’uomo di interagire con le macchine (e viceversa) utilizzando il linguaggio di tutti i giorni. 

Se avete visto il film Her, in cui Joaquin Phoenix si innamora di un sistema operativo, avete capito di cosa si tratta