IA, Machine Learning e Deep Learning: qual è la differenza?

Kevin Hofer

4.6.2018

Traduzione: Leandra Amato

Oggi, l'intelligenza artificiale (IA) è spesso associata al Machine Learning (apprendimento automatico). Il Machine Learning è una sotto-area dell'intelligenza artificiale, ma i termini non possono essere usati come sinonimi. Lo stesso vale per il Deep Learning (apprendimento profondo). Ecco spiegate le differenze.

Dovrei fare un nuovo taglio ai capelli. Devo prendere un appuntamento con un parrucchiere. Purtroppo non posso fissare appuntamenti online con lui, quindi dovrei contattarlo telefonicamente. Ma non mi piace affatto telefonare. Per fortuna posso chiedere a Google di fissare un appuntamento al posto mio.

Questo esempio mostra molto bene che cos'è l'intelligenza artificiale (IA). Intelligenza artificiale è il termine generico quando si parla di intelligenza delle macchine. Possiamo incontrare l'intelligenza artificiale nella vita quotidiana, come dimostra l'esempio del Google Assistant. L’IA dovrebbe essere in grado di trarre conclusioni logiche, rappresentare la conoscenza, pianificare, navigare, elaborare il linguaggio, percepire il mondo, interagire in esso e anche possedere intelligenza emotiva e moralità.

Il Machine Learning fa parte dell'IA e il Deep Learning fa parte del Machine Learning. Ma cosa significano esattamente questi due termini?

Scopri di più sull’intelligenza artificiale in questo articolo (in tedesco)

Machine Learning

Un esempio di Machine Learning è il motore di raccomandazione di Netflix, parte integrante del servizio di streaming. Netflix consiglia film, serie e documentari in base alle tue preferenze e valutazioni.

Nell'apprendimento automatico, un sistema viene alimentato con dati e informazioni associate. Ad esempio, il traffico stradale: voglio sapere quanti veicoli passano davanti a casa mia in un pomeriggio. Vorrei anche ordinarli per tipo di veicolo. Potrei contarli, ma che fatica.

Così, alimento un sistema di Machine Learning con dati visivi su vari veicoli (auto, bicicletta, moto). Fornisco al sistema informazioni sulle caratteristiche di questi veicoli, ad esempio che una bicicletta è formata di solito da due ruote, pedali e manubrio. Il sistema impara a distinguerli per caratteristiche visive. Dopo averlo alimentato con i dati a mia disposizione, gli lascio osservare la strada. I nuovi dati arrivano al sistema, che li registra e li confronta con quelli esistenti. In questo modo ottengo informazioni sul tipo e il numero di traffico di fronte a casa mia.

Nell'apprendimento automatico, il sistema può fare previsioni basate su dati noti. Quindi ha bisogno prima di alcuni dati per imparare, ma meno rispetto a un sistema di Deep Learning. Il Machine Learning è quindi adatto anche a sistemi più semplici. Tuttavia, la maggior parte dei dati deve essere immessa manualmente. Un compito viene diviso e risolto nelle sue singole parti. Occorre relativamente tempo prima che io sappia se il sistema sia accurato; la fase di prova è di conseguenza lunga. Inoltre, il sistema è facile da comprendere perché le regole sono dettate dall'uomo.

Deep Learning

Un esempio di Deep Learning è la colorazione automatica delle foto in bianco e nero. Il sistema impara dai modelli di colore che si trovano sulle foto. Ad esempio, il cielo è di solito blu e le nuvole sono spesso di colore bianco-grigio. Questa conoscenza viene poi trasferita ad altre foto in bianco e nero.

A differenza del Machine Learning tradizionale, i sistemi Deep Learning possono anche imparare da soli. Nell'apprendimento profondo non monitorato, ad esempio, i dati sono ancora inseriti da mani umane, ma il sistema stesso li elabora. Questo funziona tramite reti neurali artificiali.

Torniamo all'esempio del conteggio dei veicoli. Questa volta i dati visivi vengono messi a disposizione del sistema senza ulteriori informazioni. Il sistema divide queste immagini in pixel grossolani (ad es. 28×28) e fa passare le informazioni attraverso la rete neurale artificiale, imparando così a distinguere i diversi tipi di veicolo. Dopo che il sistema ha appreso, inseriamo nuovi dati – il conteggio del traffico effettivo. Ora li riconosce correttamente.

Il modo in cui il tutto funziona in dettaglio è molto complesso. Attualmente sto lavorando proprio su questo e presto scriverò un articolo a riguardo.

I sistemi di apprendimento profondo pensano e imparano attraverso reti neurali artificiali, come noi esseri umani. Più dati sono disponibili, migliori saranno le prestazioni. Occorrono molti più dati rispetto al Machine Learning. Il Deep Learning offre una migliore scalabilità rispetto ad altri sistemi ML. Questo ha il suo prezzo: l'apprendimento profondo richiede molta potenza di calcolo, ed è per questo che è più adatto a sistemi complessi. I problemi sono registrati nella loro interezza e il sistema stesso decide da cosa apprendere. L'apprendimento dei sistemi richiede più tempo rispetto ad altri sistemi ML, ma i test sono molto più veloci.

Riassumendo

In breve, l'intelligenza artificiale è un concetto e l'apprendimento automatico è un modo possibile per raggiungerla. L'intelligenza artificiale è il contenitore, per così dire. Le macchine intelligenti agiscono e pensano come l'essere umano. Attraverso l'apprendimento automatico, un sistema impara tramite programmazione. Nel Deep Learning, il sistema può imparare in modo indipendente.

In altre parole, tutto l'apprendimento automatico è IA, ma non tutta l'IA è apprendimento automatico. Analogo a questo, tutto il Deep Learning è Machine Learning, ma non tutto il Machine Learning è Deep Learning. E non da ultimo: tutto il Deep Learning è IA, ma non tutta l'IA è Deep Learning.

Sembra complicato, ma in realtà è molto semplice.

Kevin Hofer

Senior Editor

kevin.hofer@digitecgalaxus.ch

Tecnologia e società mi affascinano. Combinarle entrambe e osservarle da punti di vista differenti sono la mia passione.

Segui

---

Informatica

Segui gli argomenti e ricevi gli aggiornamenti settimanali relativi ai tuoi interessi.

Segui argomento

Potrebbero interessarti anche questi articoli