Apprendimento profondo vs. machine learning: Qual è la differenza?

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: machine learning (o "apprendimento automatico") e apprendimento profondo (o "deep learning").

Siamo circondati da numerosi esempi di machine learning e apprendimento profondo. È ciò che rende le auto con guida autonoma una realtà, quello che fa capire a Netflix il prossimo film che vogliamo guardare e il modo in cui Facebook riconosce a chi appartiene il viso in una foto.

Il machine learning e l'apprendimento profondo sembrano spesso parole intercambiabili, ma si tratta di concetti diversi. Allora, che cosa sono esattamente questi due termini che dominano le conversazioni relative all'AI e in che cosa si differenziano? Continua a leggere per scoprirlo.

Apprendimento profondo vs. machine learning

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

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

Ma per cominciare, definiamo il machine learning.

Come funziona il machine learning

Un semplice esempio di algoritmo di machine learning è rappresentato dai servizi di musica in streaming on-demand. Affinché un servizio di questo tipo possa decidere quali nuovi brani o artisti consigliare a un ascoltatore, gli algoritmi di machine learning 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.

Il machine learning 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.

Il machine learning 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.

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.

Come funziona l'apprendimento profondo

I modelli di apprendimento profondo vengono progettati per analizzare continuamente i dati con una struttura logica simile a 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 machine learning.

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 machine learning).

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. È stata una battaglia tra l'intelligenza umana e quella artificiale, con il trionfo di quest'ultima.

Per casi d'uso più pratici, immagina un'app di riconoscimento in grado di individuare un tipo di fiore o una specie di uccello in base a una foto. Quella classificazione di immagini è alimentata da una rete neurale profonda. L'apprendimento profondo funziona anche per il riconoscimento vocale, la traduzione e la guida nel senso letterale del termine delle auto con guida autonoma.

Differenza tra apprendimento profondo e machine learning

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

Sebbene i modelli base di machine learning siano in grado di migliorare progressivamente le loro funzioni specifiche durante la raccolta di nuovi dati, 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. Con un modello di apprendimento profondo, un algoritmo può determinare in autonomia, attraverso la propria rete neurale, se la previsione è accurata o meno.

Torniamo all'esempio della torcia: potrebbe essere programmata per accendersi ogni volta che riconosce l'indizio vocale di qualcuno che pronuncia 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.

In breve, le differenze chiave tra apprendimento profondo e machine learning sono le seguenti:

• Il machine learning 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 del machine learning. Mentre entrambi rientrano nell'ampia categoria dell'intelligenza artificiale, l'apprendimento profondo sta alla base dell'intelligenza artificiale più simile all'intelligenza umana.

Quali sono i diversi tipi di machine learning?

Per esaminare più nel dettaglio questo ambito, pensiamo ai tre tipi principali di machine learning e alle loro differenze.

Quali sono i diversi tipi di algoritmi dell'apprendimento profondo?

Il machine learning può permettere ai computer di realizzare attività complesse, ma questi non riescono ancora a imitare l'intelligenza umana. Le reti neurali profonde, d'altro canto, sono modellate in base al cervello umano e rappresentano un livello ancora più sofisticato di intelligenza artificiale.

Ci sono diversi tipi di algoritmi di apprendimento profondo. Esaminiamo i modelli più popolari.

Reti neurali convoluzionali

Le reti neurali convoluzionali (CNN) sono algoritmi appositamente progettati per l'elaborazione delle immagini e l'identificazione di oggetti. La "convoluzione" è un esclusivo processo di filtrazione di un'immagine per valutare ogni elemento che contiene.

Le CNN sono spesso utilizzate per stimolare la computer vision, un campo dell'AI che insegna l'elaborazione del mondo visivo alle macchine. La tecnologia di riconoscimento facciale è comunemente utilizzata dalla computer vision.

Reti neurali ricorrenti

Le Reti neurali ricorrenti (RNN) sono loop di feedback integrati che permettono agli algoritmi di "ricordare" i data point passati. Le RNN possono utilizzare questa memoria degli eventi passati per informare la loro comprensione degli eventi attuali o anche per prevedere il futuro.

Una rete neurale profonda riesce a "pensare" meglio quando ha accesso a un certo livello di contesto. Ad esempio, un'app di mappe guidata da una RNN può "ricordare" quando il traffico tende a peggiorare. Poi, può utilizzare questa conoscenza per raccomandare un percorso alternativo quando stai per ritrovarti in mezzo al traffico.

I dati sono il carburante del futuro

Con l'enorme quantità di nuovi dati prodotti dall'attuale "Epoca dei big data", siamo destinati a vedere innovazioni che ora non riusciamo neanche a immaginare. Secondo gli esperti dei dati, alcune di queste invenzioni saranno molto probabilmente applicazioni di apprendimento profondo.

Andrew Ng, ex direttore scientifico del principale motore di ricerca della Cina, Baidu, e uno dei leader del progetto Google Brain, ha condiviso con Wired una formidabile analogia nell'ambito dei modelli di apprendimento profondo:

"Credo che l'AI stia per creare un'astronave: avremo bisogno di un motore enorme e di tanto combustibile", ha detto al giornalista Caleb Garling di Wired. "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".

Rilevanza del machine learning e dell'apprendimento profondo per il servizio clienti

Molte delle attuali applicazioni di intelligenza artificiale per il servizio clienti si avvalgono di algoritmi di machine learning. 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 i casi d'uso più pratici dell'intelligenza artificiale legata al business saranno quelli adottati nel servizio clienti.

Ad esempio, il machine learning e l'apprendimento profondo sono utilizzati entrambi per stimolare l'elaborazione del linguaggio naturale (NLP), un ramo dell'informatica che permette ai computer di comprendere testo e parole. Nel mondo della CX, Alexa di Amazon e Siri di Apple sono due buoni esempi di "agenti virtuali" che riescono a usare il riconoscimento vocale per rispondere alle domande del consumatore.

I bot del servizio clienti basati sull'intelligenza artificiale usano gli stessi metodi di apprendimento per rispondere al testo digitato. Un formidabile esempio del mondo reale è rappresentato dai bot avanzati di Zendesk. Si tratta di bot migliorati per la messaggistica ed email che sfruttano il più ampio database di intenti dei clienti, specifici per i team CX del settore, per risposte più personalizzate e accurate, maggiore produttività degli agenti e configurazione più rapida.

Per ulteriori informazioni sui nostri strumenti di creazione di bot, clicca qui.