{"id":14371,"date":"2020-03-04T07:30:19","date_gmt":"2020-03-04T06:30:19","guid":{"rendered":"https:\/\/www.unilab.eu\/?p=14371"},"modified":"2020-02-24T10:37:18","modified_gmt":"2020-02-24T09:37:18","slug":"deep-learning","status":"publish","type":"post","link":"https:\/\/www.unilab.eu\/it\/articoli\/coffee-break-it\/deep-learning\/","title":{"rendered":"Deep Learning: come funziona"},"content":{"rendered":"<p>Il <strong>deep learning<\/strong> \u00e8 una sottocategoria del machine learning ed \u00e8 strettamente correlato all\u2019intelligenza artificiale. Tramite questo processo le macchine imparano a ragionare in maniera logica e consequenziale, attraverso le reti neurali.<\/p>\n<p>Lo sviluppo di <strong>algoritmi<\/strong> che scalano in complessit\u00e0 permette di \u201cinsegnare\u201d concetti pi\u00f9 profondi al programma, che apprendendo un maggior numero di informazioni sar\u00e0 in grado di restituire previsioni pi\u00f9 precise e affidabili.<\/p>\n<p><strong>Il deep learnin nel dettaglio<\/strong><\/p>\n<p>Le <strong>reti neurali<\/strong> sono ci\u00f2 che contraddistingue il deep learning rispetto alle altre branche dell\u2019IA. Si tratta di algoritmi realizzati su pi\u00f9 livelli e disposti in cascata l\u2019uno rispetto all\u2019altro. Ognuno di essi ha il compito di effettuare trasformazioni ed estrazioni, che vengono poi impiegate dal successivo nodo.<\/p>\n<p>Per rendere questo concetto pi\u00f9 chiaro, basta pensare a come avviene la <strong>simulazione di un processo di visione<\/strong>. Il primo algoritmo ha il compito di riconoscere i vertici di una figura geometrica, il secondo ne comprende la forma basilare (triangolo, rettangolo ecc.), il terzo impiega queste forme grezze per dare vita a immagini pi\u00f9 complesse, e cos\u00ec via fino a ricreare una riproduzione fedele della realt\u00e0 osservata dalla macchina.<\/p>\n<p>Questo schema ad algoritmi successivi permette (aggiungendo sempre pi\u00f9 nodi alla rete neurale) di creare previsioni e <strong>simulazioni molto precise<\/strong>. Lo si pu\u00f2 immaginare come un cervello organico, la cui potenza di calcolo \u00e8 proporzionale alle dimensioni e al numero di neuroni che lo costituiscono.<\/p>\n<p>Rispetto al machine learning, il deep learning <strong>non ha limitazioni in termini di miglioramento<\/strong>. Questo aspetto, infatti, dipende interamente dalla quantit\u00e0 di dati inserita durante il training, che contribuisce ad insegnare alla macchina come essere pi\u00f9 precisa con i risultati restituiti.<\/p>\n<p><strong>Algoritmi supervisionati e non supervisionati<\/strong><\/p>\n<p>Lo scopo del deep learning \u00e8 quello di creare macchine pensanti, in grado di riprodurre ragionamenti logici affidabili. Per fare ci\u00f2 \u00e8 necessario l\u2019apporto del <strong>data scientist<\/strong>, una figura professionale capace di analizzare e valorizzare i dati, riconoscendo quelli essenziali per aiutare l\u2019IA nell\u2019apprendimento.<\/p>\n<p>In questi casi si parla di <strong>algoritmi supervisionati<\/strong>, in cui il ruolo dell\u2019uomo \u00e8 fondamentale e funzionale alla macchina per poter migliorare. Esiste poi un&#8217;altra tipologia di algoritmi, i <strong>non supervisionati<\/strong>, in cui \u00e8 l\u2019intelligenza artificiale stessa a imparare in autonomia basandosi su esperienze precedenti.<\/p>\n<p>Il processo di apprendimento, in questi casi, \u00e8 pi\u00f9 complesso e <strong>si fonda su pattern<\/strong>. In pratica la macchina \u00e8 in grado di riconoscere similitudini, relazioni o ciclicit\u00e0 nei dati che sta analizzando, cos\u00ec da creare previsioni verosimili.<\/p>\n<p>Il data scientist \u00e8 importante anche in questo frangente, poich\u00e9 ha il compito di interpretare i risultati restituiti, \u201cspiegando\u201d alla macchina eventuali <strong>errori di valutazione<\/strong> commessi, cos\u00ec da evitarli in futuro.<\/p>\n<p><strong>Come si pu\u00f2 impiegare il deep learning<\/strong><\/p>\n<p>Lo sviluppo di reti neurali sempre pi\u00f9 complesse e supportate da un hardware tecnologicamente avanzato, \u00e8 la chiave per creare sistemi di deep learning utili in diversi ambiti. Ecco alcuni esempi delle <strong>applicazioni pi\u00f9 comuni<\/strong>:<\/p>\n<ul>\n<li>la <strong>computer vision<\/strong> \u00e8 il sistema integrato nelle automobili intelligenti (ma anche in droni e robot), capaci di guidare in completa autonomia. Il deep learning in questo caso \u00e8 in grado di creare il percorso migliore riconoscendo forma, dimensione e prossimit\u00e0 degli ostacoli;<\/li>\n<li>i <strong>chatbot<\/strong> sono un altro valido esempio di come sia possibile sfruttare questa tecnologia. I clienti degli e-commerce spesso nemmeno si accorgono che quello che sta rispondendo alle loro richieste di assistenza in chat \u00e8 un computer intelligente;<\/li>\n<li>i sistemi di <strong>riconoscimento facciale<\/strong> per la videosorveglianza sono basati su un tipo di reti neurali, capaci di rilevare i tratti somatici e di confrontarli con quelli all\u2019interno di uno specifico database;<\/li>\n<li>in <strong>ambito medico<\/strong> il deep learning sta aiutando i ricercatori a fare nuove scoperte sul DNA e a effettuare radiografie sempre pi\u00f9 precise;<\/li>\n<li>per le <strong>aziende<\/strong> \u00e8 un ottimo sistema di raccolta e analisi dati, nonch\u00e9 un ormai imprescindibile metodo di previsione dagli enormi benefici.<\/li>\n<\/ul>\n<!--themify_builder_content-->\n<div id=\"themify_builder_content-14371\" data-postid=\"14371\" class=\"themify_builder_content themify_builder_content-14371 themify_builder tf_clear\">\n    <\/div>\n<!--\/themify_builder_content-->\n","protected":false},"excerpt":{"rendered":"<p>Il deep learning \u00e8 una sottocategoria del machine learning ed \u00e8 strettamente correlato all\u2019intelligenza artificiale. Tramite questo processo le macchine imparano a ragionare in maniera logica e consequenziale, attraverso le reti neurali.<\/p>\n","protected":false},"author":10,"featured_media":14374,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"Il deep learning \u00e8 una sottocategoria del machine learning ed \u00e8 strettamente correlato all\u2019intelligenza artificiale. Tramite questo processo le macchine imparano a ragionare in maniera logica e consequenziale, attraverso le reti neurali.","_seopress_robots_index":"","footnotes":""},"categories":[46],"tags":[],"class_list":["post-14371","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-coffee-break-it","has-post-title","has-post-date","has-post-category","has-post-tag","has-post-comment","has-post-author",""],"builder_content":"","_links":{"self":[{"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/posts\/14371","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/comments?post=14371"}],"version-history":[{"count":0,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/posts\/14371\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/media\/14374"}],"wp:attachment":[{"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/media?parent=14371"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/categories?post=14371"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.unilab.eu\/it\/wp-json\/wp\/v2\/tags?post=14371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}