Il deep learning è un sottoinsieme del machine learning, che è essenzialmente una rete neurale con tre o più livelli. Queste reti neurali tentano di simulare il funzionamento del cervello umano, anche se è lontano dall'eguagliare la sua capacità, permettendo al sistema di "imparare" da grandi quantità di dati. Se una rete neurale con un singolo livello è comunque in grado di fare previsioni approssimative, ulteriori livelli nascosti possono aiutare a ottimizzare e perfezionare la precisione.

Il deep learning guida molte applicazioni e servizi di intelligenza artificiale (AI) che migliorano l'automazione, svolgendo compiti analitici e fisici senza l'intervento umano. La tecnologia del deep learning è alla base di prodotti e servizi d'uso quotidiano (per esempio assistenti digitali, telecomandi TV vocali, sistemi per il rilevamento di frodi con carte di credito) quanto di tecnologie emergenti (per esempio auto a guida autonoma).

Se il deep learning è un sottoinsieme del machine learning, in cosa differiscono? Il deep learning si distingue dal classico machine learning per il tipo di dati con cui lavora e per le modalità con le quali apprende.

Gli algoritmi di machine learning utilizzano efficacemente dati strutturati ed etichettati per fare previsioni: pertanto le funzioni specifiche sono definite dai dati di input del modello e organizzate in tabelle. Questo non significa necessariamente che non usi dati non strutturati; significa solo che se li usa, generalmente effettua una pre-elaborazione per organizzarli in un formato strutturato.

Il deep learning elimina una parte della pre-elaborazione dei dati tipicamente prevista dal machine learning. Questi algoritmi possono acquisire ed elaborare dati non strutturati, come testi e immagini, e automatizzano l'estrazione di componenti eliminando una parte di dipendenza dagli esperti umani. Per esempio, poniamo di avere un insieme di foto di diversi animali domestici e di volerle categorizzare per "gatto", "cane", "criceto" e così via. Gli algoritmi di deep learning sono in grado di determinare quali caratteristiche (le orecchie, mettiamo) sono più importanti per distinguere un animale da un altro. Nel deep learning questa gerarchia di caratteristiche viene stabilita manualmente da un esperto umano.

Quindi, attraverso i processi di discesa del gradiente e backpropagation l'algoritmo di deep learning regola e adatta il proprio livello di precisione e riuscendo a fare previsioni su una nuova foto di un animale con maggiore precisione.  

Il machine learning e il deep learning sono anche in grado di effettuare diversi tipi d'apprendimento, che sono generalmente classificati come apprendimento controllato, apprendimento non controllato e apprendimento a punteggio di prestazioni. L'apprendimento controllato impiega dataset etichettati per categorizzare o fare previsioni; ciò richiede un intervento umano per etichettare correttamente i dati di immissione. All'opposto, l'apprendimento senza supervisione non richiede dataset etichettati ma rileva pattern nei dati, raggruppandoli sulla base di caratteristiche che li distinguono. L'apprendimento a punteggio di prestazioni è un processo nel quale un modello impara a diventare più accurato nell'esecuzione di un'azione in un ambiente basato su feedback, in modo da massimizzare il rendimento.

Per approfondire le sfumature fra le diverse tecnologie, visita "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?"

Per esaminare più da vicino le specifiche differenze tra apprendimento controllato e apprendimento senza supervisione, visita "Supervised vs. Unsupervised Learning: What's the Difference?"

Le reti neurali di deep learning, o reti neurali artificiali, mirano a imitare il cervello umano attraverso una combinazione di input di dati, pesi e distorsione. Questi elementi lavorano insieme per riconoscere, classificare e descrivere accuratamente oggetti all'interno dei dati.

Le reti neurali profonde sono costituite da più livelli di nodi interconnessi; ciascun livello incrementa i risultati del precedente per raffinare e ottimizzare la previsione e la categorizzazione. Questa progressione di elaborazioni attraverso la rete si chiama propagazione in avanti. I livelli di input e di output di una rete neurale profonda sono detti livelli visibili. Il livello di input è il punto in cui il modello di deep learning acquisisce i dati da elaborare; il livello di output è il punto in cui viene effettuata la previsione finale o la classificazione.

Un altro processo detto backpropagation impiega algoritmi, come la discesa del gradiente, per calcolare gli errori di previsione e quindi regola i pesi e le distorsioni della funzione muovendosi a ritroso attraverso i livelli per addestrare il modello. Insieme, la propagazione in avanti e la backpropagation consentono a una rete neurale di fare previsioni e correggere di conseguenza gli eventuali errori. Col passare del tempo l'algoritmo diventa via via più preciso.

Finora abbiamo descritto nei termini più semplici il tipo più semplice di rete neurale profonda. Tuttavia gli algoritmi di deep learning sono incredibilmente complessi e ci sono diversi tipi di reti neurali per trattare specifici problemi o dataset. Ad esempio:

• Le reti neurali convoluzionali (CNN), utilizzate principalmente nelle applicazioni di visione artificiale e classificazione delle immagini, sono in grado di rilevare caratteristiche e schemi all'interno di un'immagine, abilitando attività come il rilevamento o il riconoscimento di oggetti. Nel 2015 una rete neurale convoluzionale ha battuto un essere umano in una sfida sul riconoscimento di oggetti.
• Le reti neurali ricorrenti (RNN) vengono in genere utilizzate nelle applicazioni di riconoscimento del linguaggio naturale e di riconoscimento vocale in quanto mettono a frutto dati sequenziali o serie temporali.

Le applicazioni del deep learning nel mondo reale fanno parte della nostra vita quotidiana, ma nella maggior parte dei casi sono così ben integrate nei prodotti e nei servizi che gli utenti non sono a conoscenza della complessa elaborazione di dati che avviene in background. Alcuni di questi compiti sono i seguenti:

Applicazione delle leggi
 

Gli algoritmi di deep learning possono analizzare e apprendere dai dati transazionali per identificare modelli pericolosi che indicano possibili attività fraudolente o criminose. Il riconoscimento vocale, la visione artificiale e altra applicazioni di deep learning possono migliorare l'efficienza e l'efficacia dell'analisi investigativa estraendo modelli ed evidenze da registrazioni audio e video, immagini e documenti; questo aiuta le forze dell'ordine ad analizzare grandi quantità di dati con più rapidità e accuratezza.

Servizi finanziari
 

Gli istituti finanziari usano regolarmente l'analitica predittiva per guidare il trading algoritmico dei titoli, valutare i rischi per l'azienda nelle approvazioni dei prestiti, rilevare le frodi e contribuire a gestire finanziamenti e depositi titoli dei clienti.

Servizio clienti
 

Molte organizzazioni incorporano la tecnologia di deep learning nei processi di assistenza clienti. I chatbot—usati in una varietà di applicazioni, servizi e portali di assistenza clienti —sono una semplice forma di intelligenza artificiale. I chatbot tradizionali usano il linguaggio naturale e persino il riconoscimento visivo, che si trovano comunemente nei menu dei call center. Tuttavia, le soluzioni di chatbot più sofisticate mirano a determinare, attraverso l'apprendimento, se le domande ambigue hanno più risposte. Sulla base delle risposte che riceve, il chatbot cerca successivamente di rispondere a queste domande direttamente o di smistare la conversazione verso un utente umano.

Gli assistenti virtuali come Siri di Apple, Alexa di Amazon o Assistente Google ampliano l'idea di chatbot utilizzando la funzione di riconoscimento vocale. Questo crea un nuovo metodo per coinvolgere gli utenti in modo personalizzato.

Settore sanitario
 

Il settore dell'assistenza sanitaria ha tratto grandi benefici dalle funzionalità di deep learning sin dalla digitalizzazione delle cartelle cliniche e delle immagini. Le applicazioni di riconoscimento delle immagini possono affiancare gli specialisti di imaging medico e i radiologi, aiutandoli ad analizzare e valutare più immagini in meno tempo.

Il deep learning richiede un'eccezionale quantità di potenza elaborativa. Le unità di elaborazione grafica (GPU) a elevate prestazioni   sono ideali perché possono gestire un grande volume di elaborazioni in più core con abbondante memoria disponibile. Tuttavia, gestire più GPU installate on-premise può richiedere notevoli risorse interne ed essere incredibilmente costoso da scalare.