CHE COS’È
Talvolta si confonde una parte per il tutto. È frequente, ad esempio, confondere il principio attivo del Deep Learning con un farmaco come l’Intelligenza Artificiale. Il Deep Learning sta infatti all’Intelligenza Artificiale più o meno come l’acido acetilsalicilico sta a un antipiretico: il primo è alla base dell’aspirina, ma non tutti gli antipiretici sfruttano l’acido acetilsalicilico per abbassare la febbre. Deep Learning, secondo la definizione di Wikipedia, è dunque “quel campo di ricerca dell’apprendimento automatico e dell’Intelligenza Artificiale che si basa su diversi livelli di rappresentazione, corrispondenti a gerarchie di fattori o concetti, dove i concetti di alto livello sono definiti sulla base di quelli di basso”. Definizione di non banale comprensione che spiega come il Deep Learning si basi sullo sviluppo di Reti Neurali nelle quali ogni neurone viene “allenato” (e quindi “impara”) a svolgere una determinata funzione particolarmente semplice che, sommata a quella parimenti semplice svolta da altri neuroni, consente di portare a termine – grazie ad un processo di apprendimento continuo – anche compiti molto complessi con un coefficiente di errore sempre più basso.
Il principio attivo è costituito quindi da un insieme di metodi e algoritmi che, sfruttando le Reti Neurali, consentono al sistema un processo di apprendimento automatico (Machine Learning) basato sulla strutturazione di livelli di complessità successiva e sempre più profonda che simula il modo in cui le conoscenze vengono acquisite dal nostro cervello.
Deep Learning fa quindi parte della famiglia di principi attivi denominati Reti Neurali, che sono a loro volta parte della famiglia di principi attivi propri del Machine Learning, tutto inglobato nel medicinale generico Intelligenza Artificiale.
PERCHÈ SI USA
Come il farmaco Intelligenza Artificiale, il Deep Learning agevola l’automazione di alcuni processi. Una delle applicazioni più conosciute del Deep Learning è riferibile al riconoscimento di immagini, forme, suoni, voci e alla loro classificazione. Nel momento in cui si fornisce un’immagine a un algoritmo Deep Learning, questa viene suddivisa in tante parti che saranno passate ai “neuroni” del primo stato, che a loro volta li passeranno a quelli dello stato successivo e così via. I diversi passaggi consentono di analizzare e individuare tratti e pattern significativi da passare al livello successivo per arrivare ad avere un vettore di probabilità in cui l’algoritmo assegna un valore a ognuna delle diverse possibili categorie.
Il Deep Learning può essere usato per il rilevamento automatico di oggetti (per esempio segnali stradali o semafori) nella guida autonoma, per l’identificazione dai satelliti degli oggetti che consentono di localizzare le aree di interesse e individuare zone sicure e insicure, per il rilevamento di cellule tumorali in medicina, per migliorare la sicurezza dei lavoratori nell’uso di macchinari pesanti rilevando la distanza tra persone e eventuali oggetti pesanti nell’automazione industriale, per la traduzione uditiva e vocale in elettronica per l’assistenza domestica e molto altro ancora.
QUANDO DEVE ESSERE USATO
Il Deep Learning deve essere usato in tutti i contesti in cui è utile “dare in pasto” a un algoritmo immagini o dati al fine di consentire l’automazione di alcune operazioni. È particolarmente efficace quando si trova a dover gestire grandi quantità di dati che possano essere utilizzati come “base” di apprendimento: il sistema infatti diventa tanto più affidabile quanto più è in grado di ottimizzare il vettore di probabilità, ossia imparare dall’esperienza.
COSA PUÒ MODIFICARE L’EFFETTO DEL FARMACO
L’effetto del farmaco può essere modificato dall’utilizzo di processori che consentano una migliore e più rapida lavorazione dei dati da parte del principio attivo. È stato dimostrato scientificamente che, nel caso del Deep Learning applicato alla grafica, l’impiego di processori grafici (GPU) usati in parallelo alla CPU potenzia gli effetti del principio attivo. Al contrario, scarse risorse hardware ne annullano completamente gli effetti. Effetti benefici sulla efficacia del farmaco sono stati riscontrati ovviamente anche dalla disponibilità di ingenti quantitativi di dati da elaborare.
COME USARE QUESTO MEDICINALE
Quanto
Deep Learning può essere assunto in abbondanza e per periodi molto lunghi purché non si perdano di vista gli effetti del principio attivo. Non è dannoso per la salute, tranne nei casi descritti al punto “Effetti indesiderati”.
Quando e per quanto tempo
Deep Learning deve essere assunto con regolarità. La conservazione deve avvenire in luogo fresco, possibilmente condizionato al fine di consentire il funzionamento dei processori impiegati per la preparazione del farmaco. È dimostrato che gli effetti del farmaco sono cumulativi, di conseguenza non ha senso adottarlo per periodi troppo brevi, nei quali gli effetti collaterali rischiano di essere superiori ai vantaggi indotti dalla sua assunzione. Può generare dipendenza.
COSA FARE SE AVETE PRESO UNA DOSE ECCESSIVA DEL FARMACO
Vista la particolare caratteristica del principio attivo non esiste rischio di sovradosaggio, esiste invece il rischio di non ottenere risultati o, peggio, ottenere effetti negativi in caso di assunzione di dosi troppo ridotte.
EFFETTI INDESIDERATI
Attacchi di panico in chi non è abituato all’efficienza delle macchine, in chi crede che l’Intelligenza Artificiale non produca effetti benefici, in tutte quelle persone scettiche e spaventate rispetto alla possibilità che l’automazione faccia diminuire posti di lavoro.
Disorientamento nei soggetti che credono che Deep Learning sia l’unico farmaco della famiglia di Intelligenza Artificiale. Delusione, frustrazione e depressione in quanti provino ad applicare tale principio attivo in contesti in cui si debba fare altro rispetto all’applicazione di una catena di trasformazioni geometriche semplici e continue che mappano uno spazio vettoriale in un altro.
Sonia Montegiove – Stefano Epifani
