Introduzione al Deep learning: cos'è la rete neurale artificiale

Il Deep Learning consente alle automobili senza conducente di riconoscere un segnale di stop o distinguere un pedone da un lampione. Approfondiamo le sue origini e cos'è una rete neurale artificiale.

L’Artificial Intelligence è un aggregato di tecnologie – dal Machine Learning al Natural Language Processing – che permettono alle macchine di comprendere, agire e imparare. L’attenzione a questa disciplina si spiega con la maturità tecnologica raggiunta sia nel calcolo computazionale, sia nella capacità di analisi in real-time e in tempi brevi di enormi quantità di dati.

Nello studio di questo settore tecnologico, Deep Learning e Machine Learning non coincidono.

Letteralmente Deep Learning significa “apprendimento profondo” ed è quella sottocategoria dell’Intelligenza Artificiale e del Machine Learning, basata su reti neurali artificiali. Machine Learning, invece, corrisponde ad un “apprendimento automatico”, inteso come l’insieme di algoritmi che permette ad un sistema di imparare dai dati.

Dunque, se il Machine Learning è il modello algoritmico che allena l’AI; la branca del Deep Learning necessita di reti neurali artificiali progettate ad hoc e di una capacità computazionale molto potente in grado di reggere molti strati di calcolo e analisi.

Cos’è una rete neurale artificiale?

Una rete neurale artificiale, organizzata in layer per elaborare il calcolo dell’informazione, imita le dinamiche del cervello umano e, come il sistema biologico, anche quello artificiale è composto da assone (linea di uscita dell’informazione dal nodo), soma (nodo della rete) e dendrite (linea di entrata dell’informazione al nodo).

Generalmente ci sono tre strati che però possono coinvolgere migliaia di neuroni e decine di migliaia di connessioni all’interno del sistema artificiale:

• degli ingressi (I – Input): ha il compito di ricevere ed elaborare i segnali in ingresso adattandoli alle richieste dei neuroni della rete;
• nascosto (H – Hidden): gestisce il processo di elaborazione vero e proprio dei dati;
• di uscita (O – Output): raccoglie i risultati dell’elaborazione dello strato H e li adatta alle richieste del successivo livello della rete neurale.

Le origini del Deep Learning derivano dalle vicende che hanno caratterizzato lo studio dell'Artificial Intelligence. Elenchiamo le tappe fondamentali.

Quali sono le sue origini?

Tutto è iniziato nel 1943, quando Warren McCulloch e Walter Pitt proposero il primo neurone artificiale, cui seguì nel 1949 lo studio di Donald Olding Hebb sui collegamenti tra i neuroni artificiali e i modelli del cervello umano.

I primi prototipi funzionanti di reti neurali, sviluppati per riprodurre il funzionamento dei neuroni biologici, arrivarono verso la fine degli anni 50. L’interesse si fece maggiore grazie ad Alan Turing che già nel 1950 ha cercato di spiegare come un computer potesse comportarsi come un essere umano.

Il termine Artificial Intelligence, in realtà, è attribuito ufficialmente al matematico statunitense John McCarthy (1956) e con esso il lancio dei primi linguaggi di programmazione (Lisp nel 1958 e Prolog nel 1973) specifici per l’AI. Da lì in poi la prima grande svolta è arrivata negli anni 90 con l’ingresso sul mercato dei processori grafici, le Gpu (Graphic Processing Unit).

Vuoi conoscere maggiori dettagli su questi trend e leggere utili consigli per il tuo business? Seguici su LinkedIn!