Machine Learning e Deep Learning: qual è la differenza?

Al giorno d’oggi l’intelligenza artificiale è ovunque, ma i fondamenti di come funziona questa nuova e influente tecnologia possono creare confusione. Due dei campi più importanti nello sviluppo dell’intelligenza artificiale sono il “machine learning” e il suo sottocampo, il “deep learning”. Ecco una rapida spiegazione di cosa sono queste due importanti discipline e di come contribuiscono all'evoluzione dell'automazione.

Innanzitutto, cos’è l’intelligenza artificiale?

Vale la pena ricordare a noi stessi cos'è realmente l'intelligenza artificiale. I sostenitori dell’intelligenza artificiale dicono che sperano di creare un giorno una macchina in grado di “pensare” da sola. Il cervello umano è uno strumento magnifico, capace di effettuare calcoli che superano di gran lunga la capacità di qualsiasi macchina attualmente esistente . Gli ingegneri del software coinvolti nello sviluppo dell’intelligenza artificiale sperano di realizzare alla fine una macchina in grado di fare tutto ciò che un essere umano può fare a livello intellettuale, ma che possa anche superarlo. Attualmente, le applicazioni dell’intelligenza artificiale nel mondo degli affari e del governo ammontano in gran parte ad algoritmi predittivi , del tipo che suggeriscono la tua prossima canzone su Spotify o cercano di venderti un prodotto simile a quello che hai acquistato su Amazon la settimana scorsa . Tuttavia, i sostenitori dell’intelligenza artificiale credono che la tecnologia, prima o poi, sarà in grado di ragionare e prendere decisioni molto più complicate. È qui che entrano in gioco ML e DL.

Apprendimento automatico, spiegato

L'apprendimento automatico (o ML) è un'ampia categoria di intelligenza artificiale che si riferisce al processo mediante il quale ai programmi software viene "insegnato" come fare previsioni o "decisioni". Un ingegnere IBM, Jeff Crume, spiega l’apprendimento automatico come una “forma molto sofisticata di analisi statistica”. Secondo Crume, questa analisi consente alle macchine di fare “previsioni o decisioni basate sui dati”. Più informazioni vengono immesse "nel sistema, più questo è in grado di fornirci previsioni accurate", afferma.

A differenza della programmazione generale in cui una macchina è progettata per completare un compito molto specifico , l'apprendimento automatico ruota attorno all'addestramento di un algoritmo per identificare autonomamente modelli nei dati. Come affermato in precedenza, l’apprendimento automatico comprende un’ampia varietà di attività.

Apprendimento profondo, spiegato

Il deep learning è l’apprendimento automatico. È una di quelle sottocategorie di machine learning menzionate in precedenza che, come altre forme di ML, si concentra sull’insegnamento dell’IA a “pensare”. A differenza di altre forme di machine learning, il DL cerca di consentire agli algoritmi di svolgere gran parte del proprio lavoro. Il DL è alimentato da modelli matematici noti come reti neurali artificiali (ANN). Queste reti cercano di emulare i processi che avvengono naturalmente nel cervello umano, cose come il processo decisionale e l’identificazione di modelli.

La differenza fondamentale tra ML e DL

Una delle maggiori differenze tra il deep learning e altre forme di machine learning è il livello di “supervisione” fornito alla macchina. Nelle forme meno complicate di ML, il computer è probabilmente impegnato nell’apprendimento supervisionato , un processo in cui un essere umano aiuta la macchina a riconoscere modelli in dati etichettati e strutturati, migliorando così la sua capacità di effettuare analisi predittive.

L’apprendimento automatico si basa su enormi quantità di “dati di addestramento”. Tali dati vengono spesso compilati da esseri umani tramite l’etichettatura dei dati (molti di questi umani non sono pagati molto bene ). Attraverso questo processo, viene creato un set di dati di addestramento, che può poi essere inserito nell’algoritmo di intelligenza artificiale e utilizzato per insegnargli a identificare i modelli. Ad esempio, se un’azienda stesse addestrando un algoritmo a riconoscere una specifica marca di auto nelle foto , alimenterebbe l’algoritmo con enormi quantità di foto di quel modello di auto che erano state etichettate manualmente da personale umano. Viene inoltre creato un “set di dati di test” per misurare l'accuratezza dei poteri predittivi della macchina, una volta addestrata.

Quando si tratta di DL, invece, una macchina si impegna in un processo chiamato “apprendimento non supervisionato ”. L'apprendimento non supervisionato prevede che una macchina utilizzi la sua rete neurale per identificare modelli in quelli che vengono chiamati dati non strutturati o "grezzi" , ovvero dati che non sono stati ancora etichettati o organizzati in un database. Le aziende possono utilizzare algoritmi automatizzati per vagliare fasce di dati non organizzati ed evitare così grandi quantità di lavoro umano.

Come funzionano le reti neurali

Le ANN sono costituite da quelli che vengono chiamati “nodi”. Secondo il MIT , una ANN può avere “migliaia o addirittura milioni” di nodi. Questi nodi possono essere un po’ complicati, ma la spiegazione sintetica è che essi, come i nodi del cervello umano, trasmettono ed elaborano informazioni. In una rete neurale, i nodi sono disposti in una forma organizzata denominata “strati”. Pertanto, le reti di apprendimento “profondo” coinvolgono più livelli di nodi. Le informazioni si muovono attraverso la rete e interagiscono con i suoi vari ambienti, il che contribuisce al processo decisionale della macchina quando sottoposta a un suggerimento umano.

Un altro concetto chiave nelle ANN è il “peso”, che un commentatore paragona alle sinapsi di un cervello umano. I pesi, che sono solo valori numerici, sono distribuiti attraverso la rete neurale di un'intelligenza artificiale e aiutano a determinare il risultato finale dell'output finale di quel sistema di intelligenza artificiale. I pesi sono input informativi che aiutano a calibrare una rete neurale in modo che possa prendere decisioni. L'approfondimento del MIT sulle reti neurali lo spiega in questo modo:

A ciascuna delle sue connessioni in entrata, un nodo assegnerà un numero noto come “peso”. Quando la rete è attiva, il nodo riceve un dato diverso – un numero diverso – su ciascuna delle sue connessioni e lo moltiplica per il peso associato. Quindi somma insieme i prodotti risultanti, ottenendo un singolo numero. Se quel numero è inferiore a un valore soglia, il nodo non passa dati al livello successivo. Se il numero supera il valore di soglia, il nodo “si accende”, il che nelle odierne reti neurali generalmente significa inviare il numero – la somma degli input ponderati – lungo tutte le sue connessioni in uscita.

In breve: le reti neurali sono strutturate per aiutare un algoritmo a giungere alle proprie conclusioni sui dati che gli sono stati forniti. In base alla sua programmazione, l’algoritmo può identificare connessioni utili in grandi quantità di dati, aiutando gli esseri umani a trarre le proprie conclusioni sulla base della sua analisi.

Perché il machine learning è importante per lo sviluppo dell’intelligenza artificiale?

Il machine learning e il deep learning aiutano ad addestrare le macchine a svolgere attività predittive e interpretative che in precedenza erano dominio esclusivo degli esseri umani. Ciò può avere molti vantaggi, ma l’ovvio svantaggio è che queste macchine possono (e, siamo onesti, lo faranno) inevitabilmente essere utilizzate per cose nefaste, non solo utili, cose come sistemi di sorveglianza governativi e privati ​​e la continua automazione di sistemi informatici. attività militare e di difesa. Ma sono anche, ovviamente, utili per suggerimenti o codifica dei consumatori e, nella migliore delle ipotesi, per la ricerca medica e sanitaria. Come qualsiasi altro strumento, se l’intelligenza artificiale abbia un impatto positivo o negativo sul mondo dipende in gran parte da chi la utilizza.