Dal momento che il deep learning e il machine learning tendono ad essere utilizzati in modo intercambiabile, vale la pena notare le sfumature che li distinguono. Come accennato in precedenza, sia il deep learning che il machine learning sono sottocampi del'AI e il deep learning è in effetti un sottocampo del machine learning.

In realtà il deep learning è composto da reti neurali. Il termine "deep" in deep learning si riferisce a una rete neurale composta da più di tre strati - che sarebbe comprensiva degli ingressi e dell'uscita - che può essere considerata un algoritmo di deep learning. 

La discriminante tra deep learning e machine learning è la modalità di apprendimento di ciascun algoritmo. Il deep learning automatizza gran parte della parte del processo relativo all'estrazione di caratteristiche, eliminando parte dell'intervento umano e consentendo l'uso di dataset più grandi. Si può pensare al deep learning come a un "machine learning scalabile", come sottolineato da Lex Fridman nella stessa lezione al MIT menzionata in precedenza. Il machine learning classico, o "non profondo", dipende in misura maggiore dall'intervento umano per apprendere. Esperti umani determinano la gerarchia delle caratteristiche per comprendere le differenze tra gli input di dati, di solito richiedendo dati più strutturati per l'apprendimento.

Il machine learning "profondo" può sfruttare i dataset etichettati, cosa nota anche come apprendimento supervisionato, per informare il suo algoritmo, ma non richiede necessariamente un dataset etichettato. Può inserire i dati non strutturati nel loro formato non elaborato (ad es. testo, immagini) e può determinare automaticamente la gerarchia delle caratteristiche che distingue tra loro le diverse categorie di dati. A differenza del machine learning, non richiede l'intervento umano per elaborare i dati, consentendoci di ridimensionare il machine learning in modi più interessanti.

Oggi esistono numerose applicazioni nel mondo reale di sistemi di AI. Di seguito sono riportati alcuni degli esempi più comuni:

• Riconoscimento vocale: è noto anche come riconoscimento vocale automatico (ASR, automatic speech recognition), riconoscimento vocale del computer o conversione del parlato in testo scritto (STT, Speech-to-text) ed è una funzionalità che utilizza NLP (natural language processing) per elaborare il parlato umano in un formato scritto. Molti dispositivi mobili integrano il riconoscimento vocale nei propri sistemi per condurre ricerche vocali - ad esempio Siri - o fornire maggiore accessibilità al testo. 
• Servizio clienti:  gli agenti virtuali online stanno sostituendo gli agenti umani. Rispondono a domande frequenti sugli argomenti, come la spedizione, o forniscono consigli personalizzati, eseguendo il cross-selling di prodotti o consigliando le taglie per gli utenti, cambiando il modo in cui pensiamo al coinvolgimento del cliente nei siti web e sulle piattaforme di social media. Degli esempi includono i bot di messaggistica sui siti di e-commerce con gli agenti virtuali, le app di messaggistica, come Slack e Facebook Messenger, e le attività solitamente effettuate da assistenti virtuali e assistenti vocali.
• Computer vision: questa tecnologia IA consente ai computer e ai sistemi di ricavare informazioni significative da immagini digitali, video o altri input visivi e, sulla base di questi input, può intervenire. Questa capacità di fornire consigli la distingue dalle attività di riconoscimento delle immagini. Basata sulle reti neurali convolutive (CNN, convolutional neural network), la visione artificiale del computer ha applicazioni nel campo dell'aggiunta di tag a foto nei social media, nell'imaging radiologico nell'assistenza sanitaria e nelle auto a guida autonoma nell'industria automobilistica.  
• Recommendation engine: utilizzando dati relativi a comportamenti di consumo passati, gli algoritmi di IA possono aiutare a scoprire le tendenze dei dati da utilizzare per sviluppare strategie di cross-selling più efficaci. Se ne fa uso per offrire dei consigli di prodotti aggiuntivi pertinenti ai clienti durante il processo di pagamento per i rivenditori online.
• Trading azionario automatizzato: progettate per ottimizzare i portafogli azionari, le piattaforme di trading ad alta frequenza basate sull'IAI fanno migliaia o anche milioni di operazioni di trading al giorno senza intervento umano.

L'idea di 'una macchina che pensa' risale all'antica Grecia. Ma dall'avvento dell'informatica (e in relazione ad alcuni degli argomenti trattati in questo articolo) tra gli eventi importanti e le pietre miliari nell'evoluzione dell'intelligenza artificiale è necessario ricordare:

• 1950: Alan Turing pubblica Macchine informatiche e intelligenza. Nel documento, Turing - famoso per aver decifrato il codice ENIGMA dei nazisti durante la seconda guerra mondiale - propone la domanda "le macchine possono pensare?" e introduce il Test di Turing per determinare se un computer può dimostrare la stessa intelligenza (o i risultati della stessa intelligenza) di un essere umano. Il valore del test di Turing è stato da sempre oggetto di discussione.
• 1956: John McCarthy conia il termine 'intelligenza artificiale' alla primissima conferenza sull'IA al Dartmouth College. (McCarthy avrebbe poi inventato il linguaggio Lisp). Più tardi nello stesso anno, Allen Newell, J.C. Shaw e Herbert Simon creano il Logic Theorist, il primo programma software di IA mai eseguito.
• 1967: Frank Rosenblatt crea il Mark 1 Perceptron, il primo computer basato su una rete neurale che 'apprende' tramite prove ed errori. Solo un anno più tardi, Marvin Minsky e Seymour Papert pubblicano un libro intitolato Perceptrons, che diventa tanto il lavoro di riferimento sulle reti neurali quanto, almeno per un periodo, un argomento contro i futuri progetti di ricerca sulle reti neurali.
• Anni '80: le reti neurali che usano un algoritmo di backpropagation per addestrare se stesse diventano ampiamente utilizzate nelle applicazioni AI.
• 1997: Deep Blue di IBM batte il campione del mondo di scacchi Garry Kasparov, in una partita a scacchi (con tanto di rivincita).
• 2011: IBM Watson batte i campioni Ken Jennings e Brad Rutter a Jeopardy!
• 2015: il supercomputer Minwa di Baidu utilizza uno speciale tipo di rete neurale profonda chiamata rete neurale convoluzionale per identificare e categorizzare le immagini con una precisione superiore a quello di un umano medio.
• 2016: il programma AlphaGo di DeepMind, alimentato da una rete neurale profonda, batte Lee Sodol, il campione del mondo di Go, in un incontro di cinque partite. La vittoria è significativa dato l'enorme numero di mosse possibili man mano che il gioco progredisce (oltre 14,5 trilioni dopo appena quattro mosse). Successivamente, Google ha acquistato DeepMind per 400 milioni di dollari USA.

IBM è stata leader nell'avanzamento delle tecnologie AI-driven per le imprese e ha aperto la strada al futuro dei sistemi di apprendimento automatico per diversi settori. Sulla base di decenni di ricerca sull'intelligenza artificiale, anni di esperienza di lavoro con organizzazioni di tutte le dimensioni e sulla base degli apprendimenti di oltre 30.000 impegni di IBM Watson, IBM ha sviluppato l'AI Ladder per implementazioni di successo dell'intelligenza artificiale:

• Raccogliere: semplificando la raccolta e l'accessibilità dei dati.
• Organizzare: creando una base di analytics pronta per il business.
• Analizzare: creando dei sistemi scalabili e affidabili basati sull'IA.
• Integrare: integrando e ottimizzando i sistemi in tutta la struttura aziendale.
• Modernizzare: trasferendo i tuoi sistemi e le tue applicazioni IA nel cloud.

IBM Watson fornisce alle imprese gli strumenti IA necessari per trasformare i propri flussi di lavoro e i sistemi aziendali, migliorando notevolmente l'automazione e l'efficienza. Per ulteriori informazioni su come IBM può aiutarti a completare il tuo viaggio AI, esplora il portafoglio IBM di servizi e soluzioni gestite.