Deep Learning. Il campo della ricerca dell’Apprendimento Automatico (Machine Learning) e dell’ Intelligenza Artificiale basato sui livelli di rappresentazione (o gerarchia di fattori), dove i concetti di un dato livello si definiscono sulla base del livello precedente.
Sempre troppo complesse, sempre troppo criptiche le definizioni che ruotano attorno al Deep Learning e, per estensione, all’Intelligenza Artificiale. Eppure, il termine possiede già una sua piccola storia. Ecco perché, al fine di comprendere appieno il tema – nonché il suo altissimo potenziale e la sua eventuale miglior applicazione in azienda – è bene partire dal principio e procedere a piccoli passi. Come quando da bambini imparammo a scrivere, proviamo a tracciarne insieme il primo segno grafico su un quaderno a quadri larghi.
Partiamo dal principio, quindi, quando una Rete Neurale non aveva alcun senso per la Società, semplicemente perché… Non esisteva. ☺
Partiamo dal principio. E in principio, era il neurone.
Deep Learning. Back to the Past
Difficile accettare (così come concepire) l’esistenza di un Uomo senza sangue nelle vene. Vero?
Eppure, qualunque sia il settore di mercato in cui si operi, è ancor più difficile non aver mai sentito parlare di Deep Learning, oggidì. Convenite? Niente panico, nessuno dei vostri amici porterà al vostro stesso tavolo una Macchina a cena fuori con voi… Almeno, non per il momento. ☺
In effetti, stando a quanto affermato nel 1959 dal pioniere del Deep Learning – lo Psicologo Frank Rosenblatt – questa ipotesi all’epoca non sembrò affatto tanto astratta. In un’aula accademica, Il Prof Rosenblatt – incurante dello sgomento in platea – presenta con fierezza al mondo accademico Perceptron, una Rete Neurale artificiale alimentata da un Computer grande quanto una stanza. Perceptron era stato in grado di eseguire con successo il compito essegnatogli, distinguendo in autonomia (dopo un tot di tentativi) delle tessere contrassegnate in un pannello alla sua destra, da quelle del pannello alla sua sinistra. Tutta l’aula aveva visto per la prima volta una Macchina… Apprendere autonomamente. Sì, proprio come un Uomo.
Inutile dire che l’entusiasmo mediatico risultò esponenziale per l’epoca, tanto da far tuonare (allora, come negli anni avvenire) finanche il New York Times:
More Human than ever, Computer is learning to learn
che prospettò senza mezzi termini altresì – e di lì a poco – l’insorgere di Macchine in grado di parlare, camminare e avere persino coscienza di sé. Lo scienziato Minsky contrappose la sua visione razionale e pragmatica a quell’entusiasmo iniziale, smorzandone per qualche tempo – attraverso l’esposizione di ipotesi tutt’altro che deboli, per l’epoca – quella folle e inarrestabile esaltazione mediatico-accademica.
Giunsero poi gli anni Ottanta, e quella fiamma precedentemente domata riprende ad ardere con vigore per mano di Hinton e LeCun. Il loro studio proponeva un processo chiaro e attento su come insegnare alle reti neurali la correzione degli errori. Come accadde a Perceptron, la tecnologia dell’epoca non fu all’altezza di sorreggere adeguatamente la tesi, non disponendo del grado di elaborazione che l’assunto stesso innegabilmente necessitava. In due parole, le ipotesi non vennero mai supportate dai risultati auspicati.
E oggi? Beh, possiamo dire che la situazione è sommariamente ribaltata. No, ancora nessun cyber uomo a cena fuori, ma i miglioramenti di una Macchina posta in regime di Deep Learning possono senza meno essere capillarmente misurati e analizzati, risultando conseguentemente… “Tangibili”.
E’ il 2012 la data cruciale del Deep Learning e della sua – benché a tratti silente – esponenziale evoluzione. Siamo a Toronto, quando ancora il Prof Hinton presenta gli straordinari risultati ottenuti durante il contest ImageNet. Fu in quell’occasione che la Macchina pilota che egli impiegò nel suo esperimento mostrò pubblicamente un miglioramento epocale, pari al 10%, proprio nel settore considerato più ostico, ovverosia il riconoscimento delle immagini. Senza alcuna azione sul codice, venne mostrata al mondo la tecnologia (supervisionata da un Team di studiosi preposti) che permise alla Macchina di distinguere in piena autonomia le immagini che raffiguravano uomini e animali dalle altre, raffiguranti altri soggetti. Il campione in esame constava di oltre 1000 immagini, ragion per cui la percezione della platea fu quella di assistere ad una Machine che… Ci vedeva benissimo. L’esperimento fu senza precedenti, così come la sua leggibilità. La leggenda narra di come, in uscita dalla sala, i presenti ne sfuggissero “lo sguardo”, provando tutti la netta sensazione di… Essere osservati.
Tre anni più tardi, il contest ImagiNet torna generando una nuova onda perfetta nel mondo del Deep Learning. Benché le prime applicazioni, nonché lo studio e la ricerca sul tema, siano stati in prima battuta esclusivo appannaggio di quelle Startup che ci avevano creduto e contestualmente investito (es: Alchemy API, impegnata nell’impiego della tecnologia API per il riconoscimento dei linguaggi naturali – Cortica, impegnata in tecnologie che studiano la corteccia cerebrale – Erastz, con sede a S.Francisco, creatrice della piattaforma di Deep Learning più impiegata al mondo), ora arriva il colosso dell’informatica ad interessarsene. Arriva Microsoft. Come tutti avrete senza meno notato, il Deep Learning è oggi connesso – imprescindibilmente – ai concetti di Big Data, di Rete Neurale, di Machine Learning, di Data Mining, di Internet of Things e – last not least – di Artificial Intelligence.
Si legge meno, invece, di Livelli di Astrazione. Cos’è il livello di astrazione? Nulla di troppo complesso, in realtà. Se una Macchina utilizza un solo algoritmo alla volta per apprendere possiede un solo livello di astrazione, e così via in base al numero di algoritmi impiegati.
Ciò che Microsoft riuscì a fare nel suo Lab (coadiuvata sicuramente dall’assenza di problemi di budget), fu la predisposizione di una tecnologia neurale di Deep Learning che constava di oltre 152 livelli di astrazione. Un risultato senza precedenti, considerati i 30 livelli delle ricerche pregresse. Cos’è accaduto, secondo voi, alla Machine di Microsoft? Ha imparato meglio delle altre, ottenendo risultati migliori. Impiegando una metafora scolastica, potremmo dire che la Machine di Microsoft sia stata… La più brava della classe.
Come ormai avrete intuito dai nostri BlogPost tematici, il Digital Learning e l’E-learning – congiuntamente al campo della Ricerca Scientifica e all’ambito Biomedico – sono senza meno i settori in cui il Deep Learning sta avendo maggiore impiego e grande successo, con notevoli risultati a supporto dell’ (insostituibile!) azione dell’ Uomo.
Per questo, eternamente fedeli alla nostra mission aziendale (apprendere, aka “studiare per sempre”), ammettiamo senza fatica che – esattamente come voi, ora – il nostro studio è appena iniziato. Abbiamo ragione di credere che… The best is yet to come. Restate con noi. ☺
#neverstoplearning
