in collaborazione con SAVE News

Abbiamo sentito parlare spesso di intelligenza artificiale, machine learning e deep learning ma siamo davvero sicuri di conoscerne la differenza? In quali rapporti si trovano queste tre tecnologie? Sentiamo spesso utilizzare questi termini come sinonimi, ma, sebbene presentino nella pratica caratteristiche assai simili, le differenze non sono trascurabili.

Siamo di fronte ad una vera e propria struttura a matriosca; l'intelligenza artificiale include il machine learning, e a sua volta il machine learning include il deep learning.

Ma cosa c'è di diverso tra queste tre tecnologie?

L'introduzione dell'intelligenza artificiale rappresenta un cambiamento tecnologico epocale che ha rivoluzionato i sistemi di produzione e i modelli di business di tutto il mondo. L'AI permette alle macchine, attraverso l'acquisizione di informazione, di imparare dall'esperienza, dotando così i sistemi di caratteristiche tipicamente umane, come apprendimento, logica, creatività e risoluzione dei problemi.

Sono molte le situazioni nel nostro quotidiano in cui veniamo a contatto con l'intelligenza artificiale. I nostri smartphone ne fanno un vasto utilizzo; ci sarà capitato infatti, aprendo una foto nella nostra galleria, di ricevere consigli di fotoritocco dal dispositivo mobile. Ecco, siamo di fronte ad uno delle più banali applicazioni dell'intelligenza artificiale!

Che cos'è il machine learning?
Il machine learning è una branca dell'intelligenza artificiale, un sottogruppo che si basa su algoritmi che analizzano dati e acquisiscono informazioni da questi, rendendo così le macchine capaci di fare previsioni e prendere decisioni.
Il machine learning viene anche definito "apprendimento automatico"; l'algoritmo viene infatti "addestrato" attraverso l'inserimento di un grande quantitativo di dati, così che possa adattarsi ad ogni situazione analoga che gli si presenterà di fronte.
Esempi di utilizzo del machine learning se ne trovano ormai nella vita di ogni giorno (vedi il nostro articolo l'intelligenza artificiale che usiamo ogni giorno); un esempio di machine learning è rappresentato dalle inserzioni pubblicitarie che riceviamo sui nostri social network; le nostre interazioni online alimentano i database delle società di pubblicità così che queste, attraverso l'utilizzo di machine learning, siano in grado di inviarci contenuti più mirati.

Che cos'è il deep learning?
Cosa accade quando la macchina non può categorizzare in anticipo tutte le informazioni che dovrà poi elaborare? Cosa fare in assenza di un intervento umano pronto a suggerire al sistema quali siano le classificazioni giuste e quali errate?
Il deep learning, o apprendimento profondo, è un particolare caso di machine learning, nato per sopperire a tali criticità. Entrambi i sistemi sono in grado di apprendere in maniera autonoma e di imparare dai propri errori, ma mentre nel machine learning l'intervento umano è necessario, il deep learning sfrutta un modello di reti neurali artificiali, seguendo l'esempio dell'interconnessione neurale del nostro cervello. In questo modo, attraverso le varie interconnessioni, le macchine sono in grado di elaborare dati non precedentemente strutturati, così da rendere superflua la categorizzazione messa a punto dall'intervento umano. I computer sono dunque capaci di creare autonomamente cambiamenti all' interno delle classificazioni ogni volta che vengono processate nuove informazioni.
Il deep learning è molto utilizzato nei sistemi di sicurezza it; le minacce esterne sono sempre più numerose e non è facile prevederne la struttura, grazie al deep learning i computer sono oggi in grado di riconoscerle quando queste sono ancora sconosciute.

Conclusioni
Verrà dunque spontaneo chiedersi quali algoritmi di machine learning adottare, fra cui quelli di deep learning.
È sempre necessario fare un'attenta valutazione dei singoli casi così da comprendere quali siano i corretti campi d'applicazione; un aiuto in tal senso ci viene dall'abbondante letteratura scientifica che ha cercato di categorizzare le tipologie di algoritmi sulla base dell'efficacia sotto varie condizioni d'uso, quali set di dati più o meno numerosi. Sicuramente la capacità di processare dati non strutturati del deep learning lo rende adatto a compiti complessi quali ad esempio nell'image recognition utilizzata per la refertazione delle radiografie mediche.