Deep Learning
Che cos'è e perché è importante
Il deep learning, un ramo del machine learning, addestra i computer a svolgere compiti simili a quelli umani, come il riconoscimento vocale, l'identificazione di immagini e l'elaborazione di previsioni. Migliora la capacità di classificare, riconoscere, rilevare e descrivere attraverso i dati. L'attuale interesse per il deep learning è in parte dovuto al grande entusiasmo suscitato dall'intelligenza artificiale (AI).
Pensiamo ai sistemi che usiamo ogni giorno come Siri e Cortana. Funzionano, in parte, grazie al deep learning.
Come funziona il deep learning
Il deep learning cambia il modo di affrontare i problemi da risolvere. Grazie al deep learning, la macchina viene addestrata ad apprendere in modo autonomo, riconoscendo i modelli attraverso i layer di elaborazione. Se non hai mai sentito parlare di deep learning, ti starai però chiedendo di cosa si tratti.
Immagina di creare uno strumento che distingue il prezzemolo dal coriandolo. Si tratta di due piante completamente diverse. Con il machine learning, è necessario spiegare allo strumento quali sono le caratteristiche distintive. In questo caso, è il tipo di foglia. Nel deep learning, invece, le caratteristiche sono già individuate dalle reti neurali. Tutto questo avviene attraverso un processo di apprendimento automatico non supervisionato.
Il deep learning è in grado di fornire un sistema predittivo che generalizza bene, si adatta con facilità e migliora di continuo grazie all’immissione di nuovi dati.
Il deep learning per la salvaguardia delle specie animali
Come fa un computer a "vedere" un’immagine? Jared Peterson, Senior Manager di SAS Advanced Analytics R&D, spiega come le reti neurali del deep learning siano la scienza alla base della computer vision.
In questo esempio di deep learning, il programma informatico sta imparando a interpretare le tracce animali ai fini della conservazione delle specie.
L'evoluzione del deep learning
Di anno in anno, le interfacce uomo-macchina si sono evolute enormemente. Il mouse e la tastiera vengono man mano sostituiti dal gesto, dallo scorrimento, dalla pressione virtuale e dal comando vocale, suscitando un rinnovato interesse per l’AI e il deep learning.
I progressi informatici che stanno agevolando lo sviluppo del deep learning sono numerosi:
- Il miglioramento degli analytics ha potenziato la performance dei metodi di deep learning.
- I nuovi approcci di machine learning hanno accresciuto la precisione dei modelli di deep learning.
- Le classi di reti neurali sviluppate di recente si adattano perfettamente ad applicazioni come la traduzione di testi e la classificazione delle immagini.
- Sono disponibili molti più dati per costruire reti neurali dotate di numerosi strati profondi, come i dati in streaming dell'Internet of Things, i dati di testo provenienti dai social media, le note dei medici e le trascrizioni delle indagini.
- I progressi computazionali del cloud computing distribuito e delle unità di elaborazione grafica hanno reso disponibile un'incredibile potenza di calcolo. Questo livello di potenza di calcolo è necessario per addestrare algoritmi profondi attraverso il deep learning.
Opportunità e applicazioni del deep learning
Per risolvere i problemi di deep learning occorre una grande potenza di calcolo, a causa della natura iterativa degli algoritmi di deep learning, della loro complessità all’aumentare del numero di strati e dei grandi volumi di dati necessari per addestrare le reti.
La capacità dei metodi di deep learning di migliorare continuamente e di adattarsi ai cambiamenti del modello d’informazione sottostante rappresenta un'opportunità per introdurre un comportamento più dinamico nell'analisi dei dati
Tra le varie possibilità vi è una maggiore personalizzazione dei customer analytics. Un esempio? Il tuo servizio di streaming preferito che crea un elenco personalizzato di programmi di tuo potenziale gradimento, grazie alla cronologia delle visioni precedenti.
Sebbene le tecniche di deep learning si concentrino al momento sulle applicazioni del cognitive computing, hanno un grande potenziale anche per le applicazioni più tradizionali degli analytics. Ad esempio, le analisi delle serie storiche.
Un altro modo in cui il deep learning può essere utilizzato è semplicemente quello di rendere più efficienti e snelle le operazioni di analisi esistenti. Di recente, SAS ha sperimentato le reti neurali profonde (deep neural networks) per risolvere i problemi di trascrizione di testi a partire da input vocali. Rispetto alle tecniche standard, l’applicazione di reti neurali profonde ha ridotto di oltre il 10% il tasso di errore nella trascrizione delle parole. Inoltre, è stato possibile eliminare circa dieci passaggi di pre-elaborazione dei dati, feature engineering e modeling. Il notevole miglioramento delle prestazioni e l’evidente risparmio di tempo rappresentano un vero e proprio cambio di paradigma.
Il deep learning nel mondo di oggi
L'impatto del deep learning è piuttosto significativo. E siamo solo all'inizio.
Il deep learning con SAS e Python
DLPy è un pacchetto open source che i data scientist possono scaricare per applicare algoritmi di deep learning SAS a dati di immagini, testo e audio. È stato progettato per risolvere problemi di computer vision, elaborazione del linguaggio naturale, forecasting ed elaborazione del linguaggio parlato.
In che modo SAS utilizza il deep learning
Questa guida confronta diversi modelli di rete neurale e spiega come usarli, passo dopo passo. Ti introdurrà alle tecniche di deep learning, alle sue applicazioni e al modo in cui SAS supporta la creazione di modelli di reti neurali profonde.
Come utilizzare il deep learning per l'embedding delle immagini
I modelli di embedding vengono utilizzati per ridurre la dimensionalità dei dati di input, come le immagini. Quando si utilizza un modello di embedding, le immagini di input vengono convertite in vettori a bassa dimensione, che sono più facilmente utilizzabili per altre attività di computer vision. Il segreto per un embedding di successo è addestrare il modello a convertire immagini simili in vettori simili.
Come funziona il deep learning
Il deep learning cambia il tuo modo di affrontare le sfide risolvibili con gli analytics. Mentre prima si diceva al computer come risolvere un determinato problema, ora lo si addestra a risolvere il problema stesso.
Rappresentazione delle caratteristiche
Il deep learning introduce un cambio di paradigma nella costruzione dei modelli, perché segna il passaggio dall'ingegneria delle caratteristiche alla rappresentazione delle caratteristiche.
Layer del deep learning
Invece di utilizzare le variabili note per prevedere le incognite, il deep learning utilizza i layer dei dati per riconoscerne le caratteristiche latenti.
I risultati del deep learning
Il deep learning è in grado di fornire un sistema predittivo che generalizza bene, si adatta con facilità e migliora di continuo grazie all’immissione di nuovi dati. Non è più necessario adattarsi a un modello. È invece possibile addestrarlo a un compito.
L'approccio tradizionale agli analytics consiste nell'utilizzare i dati a disposizione per progettare funzionalità da cui derivare nuove variabili, quindi selezionare un modello analitico e infine stimare i parametri (o le incognite) di quel modello. Queste tecniche possono dare origine a sistemi predittivi che non generalizzano bene, poiché la completezza e la correttezza dipendono dalla qualità del modello e dalle sue caratteristiche. Ad esempio, se si sviluppa un modello di frode con il feature engineering, si parte da un insieme di variabili da cui probabilmente si ricaverà un modello utilizzando le trasformazioni dei dati. Ci si può ritrovare con un modello che dipende da 30.000 variabili. A quel punto, occorre dare una forma al modello, individuare tra le variabili quelle significative e così via. Se si aggiungono ulteriori dati, occorre ripetere il lavoro daccapo.
Il nuovo approccio basato sul deep learning consiste nel sostituire la formulazione e la specificazione del modello con caratterizzazioni gerarchiche (o strati), che imparano a riconoscere le caratteristiche latenti dei dati dalle regolarità negli strati.
Gli Advanced Analytics SAS
Il deep learning è solo uno degli strumenti a disposizione dei data scientist. Scopri le altre soluzioni di advanced analytics, tra cui forecasting, text analytics e optimization.
Letture consigliate
-
ARTICOLO
Sfruttare i dati sintetici per alimentare l'evoluzione dell'AIScopri perché i dati sintetici sono essenziali per le iniziative basate sull'AI che richiedono un elevato consumo di dati, in che modo le aziende li utilizzano per favorire la crescita e come possono contribuire a risolvere i problemi etici associati.
-
ARTICOLO
Scoprire il proprio paradiso in terra in modo divertente con il machine learning Il paradiso in terra non si tratta solo di un luogo ideale. È un posto che esiste veramente. Ed è stato trovato analizzando 150mila città a livello mondiale e oltre 5 milioni di record provenienti da 1.124 fonti uniche di dati. Si tratta del piccolo distretto ovest della capitale Perth, nell’Australia Occidentale.
-
ARTICOLO
Applying machine learning to IoT dataLet’s move beyond theoretical discussions about machine learning and the Internet of Things – and talk about practical business applications instead.