Tra il 2015 e il 2017 è successo qualcosa di incredibile nel mondo dell’Intelligenza Artificiale, o “AI” come la chiamiamo spesso. Per anni, l’AI era stata un po’ come un film di fantascienza: se ne parlava tanto, ma nella realtà sembrava sempre un po’ lontana. Poi, in quegli anni, tutto è cambiato. Un ramo dell’AI chiamato Deep Learning – che suona complicato ma è solo un modo per dire “apprendimento profondo” – ha tirato fuori dal cilindro magie che ci hanno lasciato a bocca aperta. È stato un periodo di scoperte pazzesche che ha acceso la miccia per l’AI che vediamo oggi, da Siri al riconoscimento facciale sul tuo telefono.
La ricetta segreta: tanti dati, muscoli digitali e algoritmi smart
Ma come ha fatto il Deep Learning a fare questo balzo in avanti? Non è stata una magia, ma il risultato di tre ingredienti messi insieme al momento giusto.
Primo: abbiamo iniziato ad avere a disposizione una montagna di dati digitali. Immagina milioni e milioni di foto etichettate, per esempio. Questi “set di dati” giganti, come ImageNet (*), sono stati il cibo che ha nutrito e fatto crescere le intelligenze artificiali. Senza dati, l’AI è come uno studente senza libri: non impara nulla.
Secondo: sono diventate super potenti le schede grafiche (GPU), quelle che di solito usiamo nei computer per i videogiochi. Si sono rivelate perfette per fare tutti quei calcoli complessi che servono ad addestrare le AI in fretta.
Terzo: gli algoritmi, cioè le “ricette” che l’AI segue per imparare, sono diventati molto più intelligenti. Sono state create nuove “architetture” (modi di costruire queste AI) che rendevano l’apprendimento più facile e stabile.
(*) Curiosità su ImageNet: La competizione di ImageNet (ImageNet Large Scale Visual Recognition Challenge – ILSVRC) era una gara annuale dove i computer dovevano riconoscere gli oggetti nelle foto. È stata fondamentale per spingere l’AI a migliorare tantissimo. Puoi leggere di più su ImageNet sul sito di Stanford, l’università che l’ha ospitata: ImageNet (Stanford).
L’AI Che “vede”: la rivoluzione delle immagini
Una delle prime cose che ci ha fatto capire la potenza del Deep Learning è stata la sua capacità di “vedere” e capire le immagini. Immagina che il tuo computer possa riconoscere un gatto da un cane, o distinguere la faccia di una persona. Le “reti neurali convoluzionali” (CNN) sono state le star in questo campo.
Nel 2012, un team di ricercatori con la loro AI chiamata AlexNet (**) ha fatto faville nella gara di ImageNet, riducendo drasticamente gli errori nel riconoscimento delle immagini. Da quel momento, è stata una corsa in avanti: in pochi anni, le AI sono diventate più brave degli umani in certi compiti di riconoscimento visivo.
Oggi, grazie a queste scoperte, abbiamo il riconoscimento facciale sui nostri telefoni, sistemi che aiutano i medici a trovare malattie nelle radiografie, e le auto a guida autonoma che “vedono” la strada e gli ostacoli.
(**) Da dove viene AlexNet: Il documento scientifico che ha presentato AlexNet è un testo chiave per chi studia queste cose: Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NIPS 2012. Anche se è del 2012, il suo vero impatto si è sentito forte proprio tra il 2015 e il 2017.
Quando l’AI ha battuto l’uomo: il caso AlphaGo
Se le immagini ci hanno mostrato quanto le AI fossero brave a “percepire”, la vittoria di AlphaGo (***) nel 2016 ha dimostrato che potevano essere anche incredibilmente “intelligenti” e strategiche. AlphaGo, un programma creato da Google DeepMind, ha battuto il campione del mondo di Go, Lee Sedol.
Il Go è un gioco da tavolo antichissimo, molto più complesso degli scacchi. Ci sono così tante mosse possibili che nessun computer potrebbe mai provarle tutte. Ma AlphaGo, usando una combinazione di reti neurali (per capire le posizioni sul tabellone) e tecniche di “ricerca ad albero” (per prevedere le mosse future), è riuscito a sviluppare una specie di “intuizione” strategica. La sua vittoria non è stata solo una dimostrazione di forza bruta del computer, ma ha fatto capire che l’AI poteva imparare a pensare in modi nuovi. Questo evento ha fatto il giro del mondo, portando l’AI su tutti i giornali e nelle chiacchiere di tutti i giorni.
(***) AlphaGo e Nature: Il “papà” di AlphaGo è un articolo scientifico pubblicato su una rivista importantissima, Nature: Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., … & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489. Puoi leggerne una sintesi qui: Nature – AlphaGo.
Ma il Deep Learning non si è fermato qui. In quegli anni, ha iniziato a farsi strada anche nel modo in cui i computer “capiscono” e usano il linguaggio umano. È lì che sono nate le basi per i “modelli di linguaggio” (come quelli che stanno dietro alle Chat conversazionali, per intenderci). Le reti neurali che si occupano di sequenze (come le “RNN” e le “LSTM”) hanno iniziato a mostrare grandi promesse nel tradurre testi, creare risposte per i chatbot e riassumere documenti.
Anche i robot hanno iniziato a beneficiare di queste scoperte, diventando più bravi a muoversi, afferrare oggetti e imparare nuovi compiti semplicemente osservando o provando e riprovando in ambienti virtuali.
Cosa significa tutto questo per il nostro futuro e per DEV4U
L’età dell’oro del Deep Learning, tra il 2015 e il 2017, ha cambiato per sempre il modo in cui pensiamo all’Intelligenza Artificiale. Ci ha dimostrato che, se diamo ai computer i dati giusti, la potenza di calcolo e gli “algoritmi” intelligenti, possono imparare a fare cose che pensavamo fossero possibili solo per noi umani. Non è stato un punto di arrivo, ma un punto di partenza. Ha dato il via a un’ondata di innovazione e ha creato un terreno fertile dove il Deep Learning è diventato uno strumento essenziale per chiunque voglia fare innovazione con l’AI.
Per DEV4U, è interessante capire la logica dietro queste soluzioni. Saper usare le reti neurali per analizzare immagini, dati, automatizzare processi o creare sistemi che prevedono il futuro, viene tutto da queste scoperte.
Siamo in un’epoca in cui conoscere queste tecniche non è più un “extra”, ma una necessità per capire come offrire ai nostri clienti le soluzioni più avanzate.
Per avere maggiori informazioni su questo argomento vi invitiamo a contattarci.
Fisseremo un incontro per parlarne e approfondire il tema.
Contattaci via mail scrivendo a info@dev4u.it, non perdere altre opportunità!
Autore/i dell’articolo:
Maurizio Patitucci – BIO – Linkedin – Email
Business Analyst | Project Manager | Account Manager
