Deep Learning

What it is & why it matters

Deep learning in today's world

The impact of deep learning is significant – and it’s only getting started.

Deep learning with SAS and Python

DLPy is an open source package that data scientists can download to apply SAS deep learning algorithms to image, text and audio data.. It is designed to solve computer vision, natural language processing, forecasting, and speech processing problems.

Read the blog post

How SAS uses deep learning

This step-by-step guide compares multiple neural network models and explains how to use them. You'll get an introduction to deep-learning techniques, applications and how SAS supports the creation of deep neural network models.

Download the paper

How to use deep learning for image embedding 

Embedding models are used to reduce the dimensionality of input data, such as images.  When an embedding model is used, input images are converted into low-dimensional vectors that can be more easily used by other computer vision tasks. The key to good embedding is to train the model so that similar images are converted to similar vectors.

Watch the video

Who’s using deep learning?

To the outsider, deep learning may appear to be in a research-and-development phase as computer science researchers and data scientists continue to test its capabilities. However, deep learning has many practical applications that businesses are using today, and many more that will be used as research continues. Popular uses today include:

Retail

In the retail industry, it’s important to stay one step ahead of customer expectations. Deep learning is making that happen. Using customer data, along with speech recognition and natural language processing, retailers can predict customer preferences and needs and cut down on needless stock. They can also assist in locating the best quality product for the lowest price. Ultimately, this helps retailers cater to their customers and saves retailers and customers time and money.

Banking

Deep learning enables banks to identify patterns in unstructured data and improve enterprisewide decision making. In risk management, deep learning helps banks interrogate multiple sources and set appropriate lending limits with greater confidence. All without compromising fairness. Deep learning also plays a vital role in detecting and preventing fraud and financial crime. One example is monitoring real-time video, identifying suspicious activity in branches or ATM locations, and preventing an account takeover if the voice biometric profile does not match the genuine customer. And when it comes to delivering an improved user experience, deep learning's ability to assist with sentiment analysis ensures issues reported via social channels can be swiftly identified and remedied.

Manufacturing

Manufacturing uses deep learning and other AI techniques to improve the overall quality of the industry. One of the largest expenses in this industry is maintenance of equipment, and deep learning instrumental in reducing or avoiding downtime of crucial resources and equipment. With the use of deep learning and capabilities like computer vision to identify quality problems using object detection, process monitoring and anomaly detection. The manufacturing industry can save money from unplanned downtime, and better design products, improve efficiency and product quality and overall employee safety.

Health Care

Deep learning supports the health care industry by ensuring better patient care and operational efficiency. With deep learning, health care professionals can analyze data faster and more precisely. Electronic health records can be created faster and with fewer errors. using speech-to-text with natural language processing tools. And neural networks, paired with image recognition, analyze medical images instead of just reading them, helping health care professionals identify tumors and their progression, for example.

Transportation & Logistics

Deep learning can help the travel and logistics industry increase productivity and efficient operational planning. Using predicative software, the industry can stay ahead of potential failures and up to date on scheduled truck repairs to reduce operating costs. Along with predictive maintenance, deep learning and AI can track vehicles in real time, allowing hauling companies to locate and monitor the speed of their fleet in real time. This is all made possible with the precision and speed of deep learning.

Government

Government agencies can use deep learning to improve fraud detection using handwriting analysis and land and water management using image recognition. Deep learning also helps create a better understanding of citizen preferences through natural language translation of sentiment. Another example is reducing infrastructure spending by using predictive maintenance capabilities. Overall, deep learning allows governments to solve problems that were too challenging to address previously.

Utilities

Deep learning helps more value from the many data types in call center operations. Other ways deep learning support utilities include recommending specific corrective actions for line and equipment maintenance, vegetation management and a myriad of forecasting functions (from sales forecasts and net load forecasts to load forecasts and more). Indeed, deep learning will be a foundation part of a utility’s position in the future.

How deep learning works 

Deep learning changes how you think about representing the problems that you’re solving with analytics. It moves from telling the computer how to solve a problem to training the computer to solve the problem itself.

 

Feature representation

Deep learning is a paradigm shift in model building that moves from feature engineering to feature representation. 

Deep learning layers

Instead of using known variables to predict unknowns, deep learning uses looks at layers of the data to recognize latent features of the data. 

Deep learning results

The promise of deep learning is that it can lead to predictive systems that generalize well, adapt well, continuously improve as new data arrives. You no longer fit a model. Instead, you train the task.

A traditional approach to analytics is to use the data at hand to engineer features to derive new variables, then select an analytic model and finally estimate the parameters (or the unknowns) of that model. These techniques can yield predictive systems that do not generalize well because completeness and correctness depend on the quality of the model and its features. For example, if you develop a fraud model with feature engineering, you start with a set of variables, and you most likely derive a model from those variables using data transformations. You may end up with 30,000 variables that your model depends on, then you have to shape the model, figure out which variables are meaningful, which ones are not, and so on. Adding more data requires you to do it all over again.

The new approach with deep learning is to replace the formulation and specification of the model with hierarchical characterizations (or layers) that learn to recognize latent features of the data from the regularities in the layers.

Entra in contatto con SAS e scopri cosa possiamo fare per te.

Il deep learning, o apprendimento profondo, è un tipo di machine learning che addestra un computer a svolgere attività simili a quelle umane, come riconoscere un input vocale, identificare le immagini o fare previsioni. Invece di organizzare i dati per eseguire equazioni predefinite, il deep learning configura i parametri di base relativi ai dati e addestra il computer a imparare da sé, individuando dei modelli attraverso numerosi livelli di elaborazione.

Evoluzione del deep learning

Il deep learning è uno dei fondamenti dell’intelligenza artificiale (IA) e l'interesse che oggi sta suscitando è dovuto in parte al fermento che si è venuto a creare intorno all'IA. Le tecniche di deep learning hanno migliorato la capacità di classificare, riconoscere, rilevare e descrivere, in una parola, di capire.

Il deep learning viene utilizzato, ad esempio, per la classificazione delle immagini, il riconoscimento vocale, la rilevazione di oggetti e la descrizione di contenuti. Sistemi come Siri e Cortana sono alimentati, in parte, dal deep learning.

Sono svariati i progressi informatici che, integrandosi al deep learning, ne stanno sostenendo lo sviluppo:

Allo stesso tempo, anche le interfacce uomo-macchina si sono notevolmente evolute. Il mouse e la tastiera vengono progressivamente sostituiti dal gesto, dallo scorrimento, dalla pressione digitale e dal linguaggio naturale, suscitando un rinnovato interesse per l’IA e il deep learning.

Il deep learning nella conservazione 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, nell’ottica della conservazione delle specie.

Opportunità e applicazioni del deep learning

La risoluzione dei problemi di deep learning richiede 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 nel modello d’informazione sottostante, rappresenta una grande opportunità per introdurre un comportamento più dinamico negli analytics.

È possibile, ad esempio, procedere a una maggiore personalizzazione dell' analisi dei clienti (Customer Analytics). Un'altra grande opportunità è quella di accrescere la precisione e le prestazioni nelle applicazioni, laddove le reti neurali siano in uso già da tempo. Attraverso algoritmi migliori e una maggiore potenza di calcolo, è possibile aumentare la profondità.

Sebbene l’attuale focus delle tecniche di deep learning sia sulle applicazioni del cognitive computing, anche le applicazioni più tradizionali degli analytics, come ad esempio le analisi delle serie temporali, presentano un grande potenziale.

Un'altra opportunità offerta dal deep learning è banalmente quella di migliorare l’efficienza delle operazioni analitiche esistenti, semplificandole. Recentemente, SAS ha sperimentato reti neurali profonde nei 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, ingegneria delle funzionalità e modellazione. L'impressionante miglioramento nelle prestazioni e l’evidente risparmio di tempo, rispetto al feature engineering, rappresentano un vero e proprio cambio di paradigma.

Il deep learning nel mondo di oggi

L'impatto tecnologico che il deep learning ha sinora avuto è considerevole e non siamo che all’inizio. Scopri di più sull’argomento.

Uno sguardo critico sul deep learning

Come mai il deep learning non ha eguali tra le tecniche di machine learning? È riuscito a completare con successo una serie di attività che in passato i computer svolgevano con difficoltà, in particolare nel campo della machine perception, o percezione della macchina. Scopri di più su come funziona il deep learning e perché non è così pubblicizzato.

Leggi il blog post

Come fare deep learning con SAS®

Scopri come vengono sviluppate e implementate le tecniche di deep learning, utilizzando il software SAS. Questa guida confronta diversi modelli di rete neurale e spiega come usarli, passo dopo passo. Ti introdurrà alle tecniche di deep learning, alle applicazioni e al modo in cui SAS supporta la creazione di modelli di reti neurali profonde.

Scarica il documento

In che modo il deep learning imita il nostro cervello

Che si tratti di riconoscere la differenza tra una mela e un’arancia o di fare distinzioni molto più complesse, il deep learning imita il modo di pensare del cervello umano. Inoltre, poiché è in grado di comprendere e definire rapidamente le relazioni, consente di risparmiare tempo rispetto alle tecniche tradizionali, soprattutto nel caso di dati non strutturati, come immagini e testi.

Guarda il video

Come viene utilizzato il deep learning?

Visto dall’esterno, il deep learning può apparire come in fase di studio, poiché i ricercatori d’informatica e i data scientist ne stanno ancora testando le capacità. Ma, questa branca del machine learning offre già numerose applicazioni pratiche, attualmente in uso in molti settori. Inoltre, grazie ai continui progressi della ricerca, tante altre saranno ben presto disponibili. Gli impieghi più diffusi includono:

Riconoscimento vocale

Sia il mondo degli affari che quello accademico hanno adottato il deep learning per il riconoscimento vocale. Xbox, Skype, Google Now e Siri® di Apple, solo per citarne alcuni, utilizzano correntemente le tecnologie di deep learning nei loro sistemi per riconoscere il linguaggio umano e gli schemi vocali.

Riconoscimento dell’immagine

Un'applicazione pratica del riconoscimento delle immagini è data dalla didascalia, o captioning, e descrizione della scena in automatico. Questa funzionalità potrebbe essere cruciale nelle indagini delle forze dell’ordine, ad esempio, per identificare attività criminali, nelle foto che riprendono un’area particolarmente affollata in cui si è verificato un crimine e che i presenti inviano a migliaia. Anche le auto a guida autonoma beneficeranno del riconoscimento delle immagini, attraverso l'uso della tecnologia della fotocamera a 360 gradi.

Natural Language Processing

Le reti neurali, una componente centrale del deep learning, sono state a lungo utilizzate per elaborare e analizzare i testi scritti. Il text mining è una tecnica d’intelligenza artificiale che, sfruttando l'elaborazione del linguaggio naturale, scopre modelli nei reclami dei clienti, negli appunti dei medici o nelle agenzie di stampa, solo per fare alcuni esempi. 

Sistemi di raccomandazione

Amazon e Netflix fanno un larghissimo uso dei sistemi di raccomandazione e, grazie ad essi, ti presentano ciò che potrebbe interessarti acquistare o vedere in futuro, basandosi sul tuo comportamento passato. Il deep learning può essere utilizzato su una moltitudine di piattaforme per migliorare il sistema di raccomandazione su argomenti complessi, come gli interessi musicali o le preferenze di abbigliamento.


     

Come funziona il deep learning

Il deep learning cambia il modo di approcciare i problemi risolvibili con gli analytics. Se prima si diceva al computer come risolvere un dato problema, ora lo si addestra affinché sia in grado di risolvere da sé quel problema.

Un 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 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 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. L'aggiunta di ulteriori dati impone di ripetere il lavoro da capo.

Il nuovo approccio con il 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.

Il deep learning introduce un cambio di paradigma, segnando il passaggio dal feature engineering al feature representation.

Ciò che il deep learning è in grado di fornire è un sistema predittivo che generalizza bene, si adatta con facilità, migliora di continuo grazie all’ingresso di nuovi dati ed è più dinamico di un sistema predittivo basato su rigide regole di business. Insomma, non è più necessario aderire a un modello, ma addestrare a un compito.