Apprendimento profondo (deep learning): cosa devi sapere

“Negli ultimi dieci anni, il #deeplearning ha visto sviluppi rivoluzionari nel campo dell’intelligenza artificiale.

Ecco come Kalyan Kumar, il vicepresidente aziendale e Chief Technology Officer dei servizi IT di HCL Technologies, descrive il deep learning: “Ti sei mai chiesto come il nostro cervello può riconoscere il volto di un amico che hai incontrato anni fa o è in grado di riconoscere il voce di tua madre tra tante altre voci in un mercato affollato o come il nostro cervello può imparare, pianificare ed eseguire complesse attività quotidiane? Il cervello umano ha circa 100 miliardi di cellule chiamate neuroni che costruiscono reti massicciamente parallele e distribuite, attraverso le quali apprendiamo e svolgiamo attività complesse. Ispirati da queste reti neurali biologiche, gli scienziati hanno iniziato a costruire reti neurali artificiali in modo che i computer alla fine potessero apprendere ed esibire intelligenza come gli umani. “

“Durante l’allenamento, definisci il numero di neuroni e strati che la tua rete neurale sarà composta e la si confronta a dati di addestramento etichettati”, ha dichiarato Brian Cha, che è un Product Manager ed evangelista di Deep Learning presso FLIR Systems. “Con questi dati, la rete neurale impara da sola cosa è ” buono “o” cattivo “. Ad esempio, se si desidera che la rete neurale classifichi, si mostreranno immagini etichettate ” Grado A “,” Grado B, “Grado C” e così via. La rete neurale utilizza questi dati di allenamento per estrarre e assegnare pesi a caratteristiche che sono uniche per i risultati etichettati come buoni, come dimensione, forma, colore, consistenza del colore ideali e così via. Non è necessario definire manualmente queste caratteristiche o persino programmare ciò che è troppo grande o troppo piccolo, la rete neurale si allena usando i dati di allenamento. Il processo di valutazione di nuove immagini utilizzando una rete neurale per prendere decisioni si chiama inferenza. Quando presenti una rete neurale addestrata con una nuova immagine, essa fornirà un’inferenza, come “Grado A con una sicurezza del 95%”. “

E gli algoritmi? Secondo Bob Friday, che è il #CTO di Mist Systems, una società Juniper Networks, “Esistono due tipi di modelli popolari di reti neurali per diversi casi d’uso: il modello Convolutional Neural Network (#CNN) viene utilizzato in applicazioni correlate all’immagine, come guida autonoma, robot e ricerca di immagini. Nel frattempo, il modello di rete neurale ricorrente (#RNN) viene utilizzato nella maggior parte delle applicazioni di testo o voce basate sull’elaborazione del linguaggio naturale (#NLP), come chatbot, assistenti di casa e ufficio virtuali e interpreti simultanei e in rete per il rilevamento di anomalie. “

Naturalmente, l’apprendimento profondo richiede molti strumenti sofisticati. Ma la buona notizia è che ce ne sono molti disponibili e alcuni sono persino gratuiti come #TensorFlow, #PyTorch e #Keras.

“Esistono anche servizi informatici basati su cloud”, ha affermato Ali Osman Örs, direttore della strategia di intelligenza artificiale e partenariati strategici per ADAS presso NXP Semiconductors. “Queste sono denominate soluzioni #MLaaS (#MachineLearning as a Service). I principali fornitori includono #Amazon AWS, #Microsoft #Azure e #Google Cloud. “….”

“… Eppure ci sono alcuni notevoli inconvenienti all’apprendimento profondo. Uno è il costo. “Le reti di apprendimento profondo possono richiedere centinaia di migliaia o milioni di esempi etichettati a mano”.

L’apprendimento profondo è anche una “scatola nera”. Ciò significa che può essere quasi impossibile capire come funziona davvero il modello!

“Questo può essere particolarmente problematico in applicazioni che richiedono tale documentazione come l’approvazione della #FDA”, ha affermato il dott. Ingo Mierswa, fondatore di RapidMiner.

Ci sono alcune complessità in corso con modelli di apprendimento profondo, che possono creare risultati negativi. “Supponiamo che una rete neurale sia utilizzata per identificare i gatti dalle immagini”, ha detto Yuheng Chen, che è il COO di rct studio. “Funziona perfettamente, ma quando vogliamo che identifichi contemporaneamente cani e gatti, le sue prestazioni diminuiscono…”

____
Leggi articolo completo su: https://www.forbes.com/sites/tomtaulli/2020/03/27/deep-learning-what-you-need-to-know/#13d13c596f30
Foto di Gordon Johnson da Pixabay