Linkedin Icon
Facebook Icon
Facebook Icon

Deep Learning: che cos’è, le applicazioni, gli ostacoli

Cos’è il Deep Learning

Il Deep Learning è un’applicazione dell’Intelligenza Artificiale e del Machine Learning che permette di implementare strategie e attività nuove all’interno delle aziende.

Il modello si ispira alle correlazioni fatte dal cervello umano per processare i dati, e in particolare alle relazioni tra i neuroni nell’elaborare i dati che ricevono dagli stimoli esterni.

Il Deep Learning prevede un apprendimento autonomo e automatico che supera i modelli statistici tradizionali e offre delle predizioni più accurate.

Come funziona il Deep Learning

Il Deep Learning utilizza algoritmi matematici e reti neurali per analizzare in maniera completamente autonoma delle grandi quantità di dati (i cosiddetti Big Data).

Questa autonomia è data da un training iniziale fatto in maniera completamente autonoma, con la supervisione di un Machine Learning Specialist – una figura professionale specializzata nello studio delle reti neurali e nella loro gestione. Durante il training viene inserito all’interno del modello un enorme quantitativo di dati. Questi dati vengono poi processati per individuare e selezionare dei pattern e creare degli schemi di dati input e output.

Per rilevarne questi pattern e per individuare le caratteristiche e i collegamenti al loro interno, il Deep Learning ha bisogno di analizzare estremamente grandi quantità di dati. Grazie all’elaborazione di questi dati da parte degli algoritmi si ottengono poi delle predizioni.

Il Deep Learning utilizza dati matematici, aritmetici e statistici, e non subisce in alcun modo il pregiudizio della mente umana (non vengono infatti utilizzate delle regole indotte dalla mente umana). Per questo motivo, le predizioni che si possono ottenere sono estremamente accurate e permettono alle Aziende di prendere delle decisioni in linea con i risultati emersi.

Il Deep Learning può essere utilizzato in diversi settori, e non soltanto in ambito marketing. Ad esempio, nel mondo della finanza, oppure per la previsione dei rischi nei Paesi in guerra, o in ambito sanitario, per prevedere gli effetti di determinati medicinali.

Applicazione del Deep Learning

Per utilizzare il deep learning in azienda non bastano solo i Big Data. Per ottenere dei risultati che siano in linea con gli obiettivi di un’azienda ci sono degli step da prevedere.

In particolare, nella prima fase, quella che precede il lancio del modello, vanno previsti:

  1. Definizione di un obiettivo strategico– come per tutte le strategie bisogna partire da un obiettivo e capire se il Deep Learning può aiutare nel conseguire l’obiettivo individuato.
  2. GPU – occorre un hardware che sia in grado di sostenere il modello di Deep Learning.
  3. Machine Learning Specialist – è necessaria una figura che conosca il linguaggio di programmazione, può essere interno all’azienda o in outsourcing.
  4. Librerie di algoritmi – si possono trovare sul web, perlopiù sono Open Source. Una delle più conosciute, ad esempio, è TensorFlow. La libreria permette di accedere a modelli di algoritmi preimpostati. 
  5. Big Data – il Deep Learning ha bisogno di librerie di dati che complesse e numerose e strutturate.  

La fase di implementazione vera e propria del Deep Learning prevede:

  • Processamento dei dati
  • Creazione delle features
  • Creazione della rete neurale
  • Evoluzione e allenamento della rete neurale

Il processamento dei dati dipende dalle features, caratteristiche create, selezionate e impostate dal Machine Learning Specialist che sono osservabili e misurabili in maniera quantitativa dal modello.

Successivamente viene creata la rete neurale, reti di correlazioni ispirate al cervello umano. Una volta che la rete neurale è stata creata deve essere costantemente allenata per continuare a processare i dati.

Una volta lanciato il Deep Learning dovrà essere messa in atto una fase di analisi e aggiustamento. Questa fase prevede:

  • Aggiustamento delle features scelte
  • Inclusione di dati aggiuntivi
  • Analisi dei risultati predittivi
  • Implementazione delle predizioni

In questa fase il Machine Learning Specialist aggiusta le features scelte per capire se sono effettivamente quelle che possono essere utili all’obiettivo da raggiungere. Si valutano i dati disponibili ed eventualmente se ne aggiungono di nuovi. Si analizzano poi i risultati ottenuti dall’analisi e, se i dati sono soddisfacenti e i risultati sono quelli che ci si aspettava, si implementano le predizioni all’interno delle strategie di business aziendali.

Problematiche nell’utilizzo del Deep Learning

I principali ostacoli che solitamente emergono al momento di introdurre un modello di Deep Learning all’interno di una strategia aziendale (e non) sono:

  1. Mancanza di Big Data – come già spiegato, il modello funziona solo con grandi quantità di dati. Spesso i dati non sono disponibili o non sono sufficientemente grandi da poter essere utilizzati per effettuare predizioni accurate.
  2. Dati protetti da Privacy – ci sono dei dati che per motivi di privacy sono impossibili o estremamente difficili da ottenere, oppure estremamente costosi. Sicuramente occorre tenere conto della GDPR quando si chiedono dati personali o sensibili agli utenti.
  3. Assenza di conoscenze tecniche – affinché tutto funzioni alla perfezione c’è bisogno di un Machine Learning Specialist che faccia una supervisione sui sistemi hardware, le GPU e tutto quello che sta dietro alle librerie degli algoritmi.

Di Intelligenza Artificiale ne parleremo a ILLUMINOTRONICA 2018, la mostra convegno dedicata al mercato dell’integrazione che si terrà dal 29 novembre all’1° dicembre 2018 alla Fiera di Bologna. Registrati subito. Ti aspettiamo!

Designed by Freepik