L’Intelligenza Artificiale (AI) sta trainando in modo sorprendente la trasformazione digitale di imprese e società, molto spesso definita come una tecnologia all’avanguardia utilizzata nei diversi settori della vita quotidiana. Ma cos’è l’IA?
Intelligenza Artificiale: le macchine cercano di assomigliarci
Propriamente, l’artificial intelligence è un ramo dell’informatica capace di progettare e programmare sistemi intelligenti, sia hardware sia software, che consentono di dotare le “macchine” di caratteristiche considerate tipicamente umane, simulando quindi i processi dell’intelligenza umana.
L’AI è recente ma si possono collocare le sue basi negli anni ‘50. Nel 1956, infatti, al Darmouth College, università statunitense, si tenne un convegno al quale presero parte i maggiori esponenti dell’informatica del tempo per raccogliere i primi, principali contributi sul tema: con l’occasione, John McCarthy coniò il termine “artificial intelligence”. Un inizio “teorico”, dunque.
Anche se l’IA è ancora lontana dall’essere sfruttata a pieno, e sebbene sia ancora un obiettivo, possiamo sostenere che sia ufficialmente “venuta al mondo” con ChatGPT, il 30 novembre 2022.
Inventata da OpenAI, organizzazione fondata nel 2015 anche grazie ai finanziamenti di Elon Musk, ChatGPT genera testi e risponde a domande attingendo alle varie conoscenze che il software ha accumulato.
Machine Learning (ML): quel sottoinsieme fondamentale dell’IA
Una strada per la concretizzazione dell’Intelligenza Artificiale è data dall’apprendimento automatico, traduzione di Machine Learning (ML), osservato come suo sottoinsieme.
Per Machine Learning si intende la “capacità di una macchina di apprendere senza essere programmata esplicitamente”. Riprendendo la definizione che ne ha dato Tom M. Mitchell, informatico americano fondatore del Dipartimento di Machine Learning della Carnegie Mellon University (CMU), (…) un programma apprende dall’esperienza E con riferimento a alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E.”
L’apprendimento automatico è un metodo che permette di “educare” un algoritmo, così che riesca a imparare da diversi contesti ambientali. Sono infatti proprio gli algoritimi ad alimentare il ML, dividendosi in due tipologie principali:
- apprendimento supervisionato;
- apprendimento non supervisionato;
- apprendimento per rinforzo.
Machine Learning supervisionato
Il ML supervisionato è il tipo di apprendimento più simile a quello dell’approccio umano: ai dati utilizzati viene attribuita un’etichetta. Si hanno a disposizione degli output, così che l’algoritmo impara le regole del modello grazie a queste etichette già esistenti; la stessa regola potrà essere utilizzata per comprendere contesti simili. Se si aggiungesse un dato nuovo nel “training set”, l’algoritmo risponderebbe con uno degli oggetti o risposte che ha appreso e si orienterà su probabilità simili associate alle scelte possibili.
Machine Learning non supervisionato
L’apprendimento non supervisionato avviene quando non si hanno a disposizione gli output relativi ai dati di input e non necessita di intervento umano; il modello viene costruito solo coi dati di input e l’algoritmo scopre da solo le relazioni nascoste nei dati. Questo tipo di machine learning si utilizza molto, per esempio, per identificare anomalie, cercando di scoprire pattern nascosti nei dati del data set.
Apprendimento per Rinforzo
E’ un tipo di machine learning che vuole costruire un sistema in grado di migliorare le proprie prestazioni attraverso le interazioni con l’ambiente: di qui, vengono introdotti dei ” rinforzi” o segnali di ricompensa, intesi come misurazioni della qualità delle azioni del sistema stesso.
Deep Learning: imparare con l’esempio (e con tanti dati)
Una sotto-categoria del ML è l’apprendimento profondo, o Deep Learning (DL). Rappresenta una delle più significative fonti di successo per l’AI e riveste ormai un ruolo sempre più importante.
Nel deep learning, un modello computerizzato impara a svolgere attività di classificazione direttamente da immagini, testo o suoni. E lo fa raggiungendo una grande precisione, talvolta oltre le prestazioni che può raggiungere l’uomo, e utilizzando grandi set di dati etichettati.
È un tipo di apprendimento automatico e gerarchico, un segmento della branca di ML e AI, che imita il modo in cui gli uomini acquisiscono diverse tipologie di conoscenza.
Le architetture di deep learning sono state applicate, per fare un esempio, nella Computer Vision, nel riconoscimento automatico della lingua parlata, nell’elaborazione del linguaggio naturale e nel riconoscimento audio, ovvero l’utilizzo di strumenti informatici per descrivere dal punto di vista numerico e statistico precisi fenomeni biologici.
Applicando il deep learning, avremo una “macchina” che riesce autonomamente a classificare i dati e a strutturarli gerarchicamente, trovando quelli più rilevanti e utili alla risoluzione di un problema (proprio come fa la mente umana), e migliorando le proprie prestazioni con l’apprendimento continuo.
Le differenze tra Machine Learning e Deep Learning
Sia machine learning che deep learning sono sotto-sezione dell’intelligenza artificiale.
Sono poche le somiglianze tra questi due sistemi di apprendimento: spesso confusi e paragonati tra di loro, presentano invece caratteristiche diverse, e proprie aree di applicazione.
Entrambe, è vero, si basano su grandi quantità di dati, ma è qui che finiscono le somiglianze.
Potremmo dire che utilizzando il Machine Learning “alleniamo” l’Intelligenza Artificiale, mentre sfruttando il Deep Learning emuliamo i processi della mente umana.
L’apprendimento automatico (ML) è la tecnologia ritenuta più “semplice”: funziona con un algoritmo che si adatta quando riceve un feedback umano. Alimentato con dati strutturati, il sistema capisce come classificare nuovi dati dello stesso tipo. A seconda della classificazione, il sistema esegue le attività programmate.
Una prima fase di applicazione è seguita dall’ottimizzazione dell’algoritmo utilizzando il feedback umano. Per questo motivo, il sistema viene informato su eventuali classificazioni errate e le categorizzazioni corrette.
Con il deep learning, invece, sottoinsieme del machine learning, i dati strutturati non sono necessari. Il sistema funziona con reti neurali che combinano diversi algoritmi modellati sul cervello umano. Ma cosa sono le reti neurali?
Reti neurali: i modelli per il Machine Learning
I modelli linguistici, detti anche Llm (Large language models) attraverso i quali le macchine apprendono sono le reti neurali. Se facciamo un confronto con gli approcci precedenti, possiamo osservare come fino a una decina di anni fa i sistemi che provavano a tradurre automaticamente i testi lo facevano prendendo un elemento alla volta, in modo seriale. Le reti neurali, invece, si avvicinano al modello dell’uomo, in cui i neuroni funzionano in parallelo e lavorano per pattern.
È importante specificare che, nel deep learning, il sistema trova da solo le caratteristiche di differenziazione adeguate nei file, senza bisogno di alcuna categorizzazione esterna. Difatti, la formazione da parte dello sviluppatore non è necessaria, perché il sistema stesso valuterà se modificare le classificazioni oppure produrre nuove categorie basate su nuovi input.
Mentre il machine learning può già funzionare con un pool di dati gestibile, il deep learning richiede molti più dati. Affinché il sistema produca risultati affidabili, dovrebbero essere disponibili più di 100 milioni di punti dati.
La tecnologia per il deep learning è anche più costosa da implementare. Richiede più risorse IT ed è significativamente più costoso dell’apprendimento automatico.
Almeno per ora, non è un’opzione per le aziende tradizionali.
Uno schema sulle differenze tra machine learning e deep learning
| Machine Learning | Deep Learning | |
| Formato Dati | Dati strutturati | Dati non strutturati |
| Data Pool | Data Pool gestibile | Più di un milione data point |
| Formazione | Richiede formatori umani | Sistema di auto apprendimento |
| Algoritmo | Un algoritmo modificabile | Rete neurale composta da algoritmi |
| Campo di applicazione | Attività di routine semplici | Attività complesse |
ML e DL: gli ambiti di applicazione
Il machine learning potrebbe essere visto come un precursore del deep learning. Infatti, tutte le attività che possono essere svolte dal machine learning possono essere elaborate anche dal deep learning.
Poiché il deep learning richiede molte più risorse, tuttavia, non è una procedura efficiente. Le aree di applicazione per entrambe le tecnologie sono quindi chiaramente separate e, se è possibile utilizzare l’apprendimento automatico, verrà utilizzato l’apprendimento automatico.
L’utilizzo di entrambe le tecnologie offre un enorme vantaggio competitivo alle aziende, poiché sia il machine learning che il deep learning sono tutt’altro che standard nell’ambiente aziendale quotidiano.
Aree di applicazione: Apprendimento automatico (ML)
- marketing online
- assistenza clienti
- vendite
- Business Intelligence
Aree di applicazione: Apprendimento profondo (DL)
- sicurezza IT
- assistenza clienti
- creazione contenuti
- assistenti vocali
Oltre alle aree di applicazione qui elencate, entrambe le tecnologie possono essere utilizzate anche in molti altri settori, come la medicina, la scienza o la mobilità.
Tecnologie utili a fare Machine Learning e Deep Learning
Machine Learning e Deep Learning differiscono tra loro ma entrambe richiedono elevata potenza computazionale.
Una potenza possibile con il GPU Computing, una rivoluzione a beneficio soprattutto dei campi dell’Intelligenza Artificiale: un GPU server risponde alle sempre più complesse esigenze degli algoritmi di AI attraverso un sistema basato sulla contemporaneità dell’elaborazione dei dati.
Per garantire il massimo della potenza le istanze GPU Seeweb dispongono delle migliori caratteristiche tecniche attualmente riscontrabili sul mercato. Basate su schede grafiche NVIDIA, le nostre GPU rendono concreta l’accelerazione delle attività di addestramento e apprendimento: per saperne di più è possibile approfondirne le caratteristiche qui.
