Machine Learning, Deep Learning e Reti Neurali: quali le differenze?

Oggi disponiamo di una quantità incredibile di informazioni anche negli ambiti più svariati. Tutte le informazioni che possono essere digitalizzate, possono essere anche memorizzate e quindi essere inserite negli algoritmi di apprendimento automatico: è proprio quello che avviene quando le macchine riconoscono immagini, parole, classificano informazioni ed analizzano documenti senza l’intervento manuale dell’uomo. Fra gli algoritmi di apprendimento automatico sentiamo parlare sempre più spesso non solo di Intelligenza Artificiale, ma anche di Machine Learning, Deep Learning e Reti Neurali. Vediamo di seguito quali sono le differenze fra le varie tipologie di apprendimento delle macchine.

Machine Learning: l’apprendimento automatico attraverso gli algoritmi

Molto spesso i termini Intelligenza Artificiale (AI / IA) e Machine Learning (ML) vengono utilizzati come sinonimi. Di fatto sono affini, ma non uguali. Da un lato l’AI coinvolge tutte le operazioni caratteristiche dell’intelletto umano ed eseguite da computer, come la pianificazione, la comprensione del linguaggio, il riconoscimento di oggetti e suoni, l’apprendimento e la risoluzione dei problemi. 

Con il termine Machine Learning si intende, invece, la capacità di una macchina di apprendere senza essere programmata esplicitamente. L’addestramento dell’algoritmo può richiedere una grande quantità di dati da elaborare, per produrre come output un sistema allenato in base alle situazioni che si verificano in quel determinato ecosistema. 

Un esempio più concreto può essere rappresentato dai sistemi di “recommendation”, ovvero i sistemi che sono in grado di fornire consigli all’utente sulla base delle sue scelte pregresse. La maggior parte dei player audio digitali (Spotify o Apple Music ad esempio) propongono canzoni consigliate sulla base dei brani ascoltati in precedenza dall’utente. 

Grazie agli algoritmi di Machine Learning, i sistemi di calcolo sono anche in grado di effettuare previsioni, via via sempre più accurate, e sempre a partire da un insieme di dati in ingresso. 

Il Machine Learning non ha rivali in termini di rilevamento anomalie (ad esempio per l’individuazione dei difetti industriali – leggi qui per approfondire – LINK articolo Visual Inspection).

In altri settori, come in quello bancario, il Machine Learning viene utilizzato come sistema di prevenzione frodi. Analizzando i singoli pagamenti effettuati da miliardi di utenti è possibile in modo automatico individuare il Paese di origine della carta, l’indirizzo IP da cui è stato effettuato il pagamento, il dominio mail utilizzato per pagare: in questo modo è possibile creare uno schema ricorsivo che può essere applicato nella maggior parte dei casi, per risalire a comportamenti fraudolenti e inviare – tramite i sistemi di alert della banca – una notifica automatica all’utente.

Cosa si intende per Deep Learning?

Il Deep Learning, detto anche apprendimento approfondito, è uno dei metodi di apprendimento automatico basato su tre o più strati di reti neurali artificiali (multilayed o hidden layers) che intervengono nell’elaborazione fra input e output e che sono in grado di processare informazioni in modo non lineare

Fonte: https://spremutedigitali.com/

Le applicazioni più frequenti includono dal semplice riconoscimento di pattern, fino ad image recognition e speech recognition (Natural Language Processing). Applicazioni simili possono essere implementate in altri settori merceologici: su tutti l’healthcare che, grazie alla grande diffusione di sensoristica e degli smart wearable, ha registrato un’interpretazione sempre più corretta dei dati salienti, consentendo di migliorare ed affinare le terapie più rapidamente e con più efficacia. 

Le Reti Neurali: come un cervello umano

La rete neurale è spesso paragonata ad un modello del sistema nervoso centrale umano: i nodi della rete neurale, infatti, vengono assimilati ai neuroni del cervello umano e, proprio come quest’ultimo, è in grado di ricevere una serie di combinazione di segnali detti input, elaborarli e trasformarli in risultato – output – che dipende dal fine per cui la rete neurale è stata progettata (es. classificazione, riconoscimento, traduzione, ecc.). 

Per utilizzare una definizione più concisa potremmo dire che la rete neurale è un modello matematico/informatico di calcolo basato sulle reti neurali biologiche e che utilizza un processo di apprendimento automatico simile al cervello umano.

I neuroni della rete neurale sono in grado di comunicare non solo “orizzontalmente” – ovvero con altri neuroni sullo stesso strato – ma anche “non linearmente” inviando segnali da strato a strato, andando a correggere sistematicamente i pesi neurali e permettendo di raggiungere classificazioni e riconoscimenti via via sempre più precisi.

Uno degli esempi più noti di una rete neurale è l’algoritmo di ricerca di Google che tutti noi utilizziamo quotidianamente.

Differenze fra Machine Learning, Deep Learning e Reti Neurali

Il Deep Learning può essere considerato come un sottoinsieme del Machine Learning. Le principali differenze tra Deep Learning e Machine Learning sono il modo in cui l’algoritmo apprende e la quantità di dati utilizzata dai singoli algoritmi: mentre il Machine Learning necessita di un training dell’algoritmo più lungo e manuale, il Deep Learning elimina parte dell’intervento umano perché automatizza parte del processo di estrazione delle caratteristiche dai dati di input. Il Deep Learning consente di utilizzare grandi quantità di dati e di elaborarli in maniera scalabile; è sempre più utilizzato per la sua capacità di organizzare dati non strutturati. 

Semplificando, se il Machine Learning si basa su un numero minore di dati strutturati come input, il Deep Learning può gestire anche dati non strutturati, ma necessita di una quantità di dati maggiore. Le aziende utilizzano quindi il Deep Learning per compiti generalmente più complessi.

Anche Deep Learning e Reti Neurali possono essere facilmente usati erroneamente come sinonimi. Il termine “Deep” del Deep Learning si riferisce alla “profondità” dei livelli di una determinata Rete Neurale; al contrario una Rete Neurale composta da più di tre livelli (inclusi quelli di input e output) può essere considerata un algoritmo di Deep Learning. 

Une Rete Neurale che ha solo due o tre livelli, è solamente una Rete Neurale di base. Possiamo quindi definire una Rete Neurale come una componente degli algoritmi di apprendimento automatizzato.