Articolo

Apprendimento profondo e apprendimento automatico: un modo semplice per capire la differenza

Da Brett Grossfeld, Associate content marketing manager

Pubblicato 23 gennaio 2020
Ultimo aggiornamento 13 ottobre 2020

Può sembrare arduo comprendere gli ultimi progressi dell'intelligenza artificiale (AI), ma chi è interessato a conoscerne solo le basi può ricondurre molte innovazioni AI a due concetti: apprendimento automatico (o "machine learning") e apprendimento profondo (o "deep learning"). Spesso questi termini possono sembrare intercambiabili, quindi è importante conoscere le differenze.

È importante conoscerle anche perché esempi di apprendimento automatico e profondo sono ovunque: è così che Netflix sa quale programma vogliamo guardare, è così che Facebook riconosce i volti in una foto, è questo che rende le auto a guida autonoma una realtà, e sono queste le tecnologie che permettono a un agente del servizio clienti di sapere se un cliente sarà contento dell'assistenza ricevuta prima ancora di inviare il sondaggio sulla soddisfazione dei clienti.

Quindi quali sono questi concetti che dominano le conversazioni sull'intelligenza artificiale e in che modo si differenziano?

Apprendimento profondo e apprendimento automatico

Il modo più semplice per comprendere la differenza tra apprendimento automatico e apprendimento profondo è sapere che il deep learning è apprendimento automatico.

Più specificamente, l'apprendimento profondo è considerato un'evoluzione dell'apprendimento automatico. Utilizza una rete neurale programmabile che consente alle macchine di prendere decisioni accurate senza l'aiuto degli esseri umani.

Ma per cominciare, definiamo l'apprendimento automatico.

Che cos'è l'apprendimento automatico

Ecco una definizione di base di apprendimento automatico:

"Algoritmi che analizzano i dati, imparano da tali dati e quindi applicano ciò che hanno appreso per prendere decisioni informate"

Un semplice esempio di algoritmo di apprendimento automatico è rappresentato dai servizi di musica in streaming su richiesta. Affinché un servizio di questo tipo possa decidere quali nuovi brani o artisti consigliare a un ascoltatore, gli algoritmi di apprendimento automatico associano le preferenze dell'ascoltatore a quelle di altri ascoltatori che hanno gusti musicali simili. Questa tecnica, che viene spesso presentata semplicemente come AI, viene utilizzata in molti servizi che offrono consigli automatizzati.

L'apprendimento automatico sta alla base di molti tipi di attività automatizzate nei settori più disparati, dalle società che proteggono i dati dal malware ai professionisti della finanza che desiderano scegliere le migliori operazioni di borsa. Gli algoritmi di intelligenza artificiale sono programmati per imparare costantemente in un modo che simula gli esseri umani, come un vero e proprio assistente personale virtuale – e lo fanno anche con buoni risultati.

L'apprendimento automatico comporta calcoli matematici complessi e la programmazione di codici che, alla fin fine, svolgono una funzione meccanica comparabile a quella di una torcia elettrica, un'auto o uno schermo di computer. Quando si dice che un qualcosa è in grado di "apprendere in modo automatico", significa che svolge una funzione con i dati a sua disposizione e si migliora progressivamente nel tempo. È come avere una torcia che si accende ogni volta che diciamo "è buio" e nel tempo impara a riconoscere la parola "buio" nelle diverse frasi che pronunciamo.

Ora, il modo in cui le macchine imparano nuove cose si fa davvero interessante (ed entusiasmante) con l'apprendimento profondo e le reti neurali profonde.

Differenza tra apprendimento profondo e apprendimento automatico

In pratica, l'apprendimento profondo è semplicemente un sottoinsieme dell'apprendimento automatico. Infatti, l'apprendimento profondo tecnicamente è apprendimento automatico e funziona in modo simile (ecco perché i termini sono a volte usati in modo intercambiabile). Tuttavia, le capacità intrinseche sono diverse.

Sebbene i modelli base di apprendimento automatico siano in grado di migliorare progressivamente le loro funzioni, hanno comunque bisogno dell'intervento umano. Se un algoritmo di intelligenza artificiale restituisce una previsione non accurata, il programmatore di turno deve intervenire e apportare modifiche. Nei modelli di apprendimento profondo, invece, l'algoritmo può determinare in autonomia, attraverso la propria rete neurale, se la previsione è accurata o meno.

Torniamo all'esempio della torcia: si potrebbe programmarla per accendersi quando avverte qualcuno proferire la parola "buio". Mentre continua a imparare, potrebbe attivarsi ogniqualvolta riconosce una frase contenente quella parola. Se poi la torcia disponesse di un modello di apprendimento profondo, potrebbe capire che deve accendersi quando sente frasi come "non vedo niente" o "l'interruttore della luce non funziona", magari unitamente a un sensore di luminosità. I modelli di apprendimento profondo sono in grado di imparare grazie al metodo di calcolo al loro interno – è per questo che sembrano avere un cervello proprio.

Come funziona l'apprendimento profondo

I modelli di apprendimento profondo vengono progettati per analizzare continuamente i dati con una struttura logica simile al quella utilizzata dagli esseri umani per trarre conclusioni. Per raggiungere questo obiettivo, le applicazioni di deep learning si avvalgono di una struttura di algoritmi a più livelli chiamata rete neurale artificiale. Il design di una rete neurale artificiale si ispira alla rete neurale biologica del cervello umano, portando a un processo di apprendimento molto più efficace di quello dei modelli standard di apprendimento automatico.

È difficile fare in modo che un modello di apprendimento profondo non tragga conclusioni errate; come altri esempi di intelligenza artificiale, ha bisogno di molto allenamento per rendere corretti i processi di apprendimento. Ma quando funziona come previsto, viene spesso considerano una meraviglia scientifica, fondamento della vera intelligenza artificiale.

Un ottimo esempio di apprendimento profondo è AlphaGo di Google. Google ha creato un programma per computer con una propria rete neurale che ha imparato a giocare a Go, il gioco astratto da tavolo famoso perché richiede intuito e intelletto sopraffino. Giocando contro giocatori professionisti di Go, il modello di apprendimento profondo di AlphaGo ha imparato a giocare a un livello mai visto prima nell'intelligenza artificiale, e lo ha fatto senza che nessuno lo istruisse in merito a quando fare mosse specifiche (come invece avrebbe richiesto un modello standard di apprendimento automatico). AlphaGo ha fatto notizia per aver sconfitto diversi "maestri" di fama mondiale del gioco: non solo una macchina poteva cogliere le tecniche complesse e gli aspetti astratti del gioco, ma stava diventando uno dei giocatori più abili.

Riepiloghiamo le differenze tra i due concetti:

  • L'apprendimento automatico si avvale di algoritmi per analizzare i dati, imparare da tali dati e prendere decisioni informate in base a ciò che ha appreso.
  •  

  • L'apprendimento profondo struttura gli algoritmi a diversi livelli per creare una "rete neurale artificiale" in grado di imparare e prendere decisioni intelligenti autonomamente.
  •  

  • L'apprendimento profondo è una derivazione dell'apprendimento automatico. Mentre entrambi rientrano nell'ampia categoria dell'intelligenza artificiale, l'apprendimento profondo sta alla base dell'intelligenza artificiale più simile all'intelligenza umana.

 

I dati sono il carburante del futuro

Con le enormi quantità di dati prodotte nell'attuale era dei "Big Data", è inevitabile che in un futuro non lontano (addirittura nei prossimi dieci anni) vedremo innovazioni che ora non riusciamo nemmeno immaginare. Secondo gli esperti, è facile che alcune di queste innovazioni saranno applicazioni di deep learning.

Andrew Ng, il capo scienziato del principale motore di ricerca cinese Baidu e uno dei leader del progetto Google Brain, in un'intervista a Wired Magazine ha illustrato l'apprendimento profondo con un'analogia alquanto calzante: "Penso che l'intelligenza artificiale sia simile a un razzo. C'è bisogno di un motore enorme e di carburante in quantità," ha detto al giornalista di Wired Caleb Garling. "Se ha un motore grande e poco carburante, non riuscirà a entrare in orbita. Se ha un motore minuscolo e tonnellate di carburante, non riuscirà nemmeno a sollevarsi. Per costruire un razzo c'è bisogno di un motore enorme e moltissimo carburante."

"Nell'analogia tra il deep learning e il razzo, il motore del razzo è il modello di apprendimento profondo e il carburante è l'enorme quantità di dati che possiamo passare agli algoritmi."

- Andrew Ng (fonte: Wired)

 

Rilevanza dell'apprendimento automatico e dell'apprendimento profondo per il servizio clienti

Molte delle attuali applicazioni di intelligenza artificiale per il servizio clienti si avvalgono di algoritmi di apprendimento automatico. Vengono utilizzate per promuovere il self-service, aumentare la produttività degli agenti e rendere più affidabili i workflow.

I dati inseriti in questi algoritmi provengono da un flusso costante di query dei clienti, che includono dettagli pertinenti ai problemi che i clienti affrontano. L'aggregazione di tali dettagli in un'applicazione di AI, a sua volta, porta a previsioni più rapide e accurate. Ciò ha reso l'intelligenza artificiale una prospettiva entusiasmante per molte aziende, tanto che i leader del settore ipotizzano che le applicazioni più pratiche dell'intelligenza artificiale legata al business saranno quelle adottate nel servizio clienti.

apprendimento profondo e apprendimento automatico

E con l'affinamento delle tecnologie di deep learning, vedremo applicazioni di intelligenza artificiale ancor più avanzate nel servizio clienti. Answer Bot di Zendesk ne è un esempio: incorpora un modello di apprendimento profondo per comprendere il contesto dei ticket dell'assistenza e imparare quali articoli di aiuto suggerire ai clienti.

Intelligenza artificiale per un self-service migliore

Scopri come l'intelligenza artificiale può migliorare le risorse self-service per i clienti in Zendesk Guide.