Intelligenza artificiale, deep learning e machine learning: quali sono le differenze?

Sempre più spesso sentiamo parlare di intelligenza artificiale, ma anche di machine learning e deep learning, termini questi ultimi talvolta usati impropriamente come sinonimi del primo. Il termine “Intelligenza artificiale” (AI o IA) è stato coniato per la prima volta negli anni ’50 e coinvolge tutte quelle macchine computazionali in grado di eseguire compiti caratteristici dell’intelligenza umana. L’apprendimento automatico o machine learning è semplicemente un modo per raggiungere l’intelligenza artificiale. L’apprendimento approfondito o deep learning, invece, è uno dei molteplici approcci relativi all’apprendimento automatico.

Cerchiamo di vedere nel dettaglio quali sono le reali differenze tra questi concetti.


L’Intelligenza Artificiale

L’intelligenza artificiale coinvolge tutte quelle operazioni caratteristiche dell’intelletto umano ed eseguite da computer. Queste includono la pianificazione, la comprensione del linguaggio, il riconoscimento di oggetti e suoni, l’apprendimento e la risoluzione dei problemi. Molto interessante è la relazione tra AI e IoT simile a quella tra cervello e corpo umano. Il nostro corpo attraverso i vari input sensoriali come la vista e il tatto, riesce a riconoscere determinate situazioni eseguendo le corrispondenti azioni. Il nostro cervello in base agli input sensoriali prende decisioni, inviando segnali al corpo per comandare i relativi movimenti. L’IoT non è nient’altro che un insieme di sensori collegati, e grazie all’intelligenza artificiale si ha la possibilità di dare un senso a tutti i dati acquisiti e attraverso il sistema di controllo, ovvero il cuore del circuito, la nostra CPU, si riesce a prendere decisioni e azionare attuatori per il controllo di varie movimentazioni (bracci di robot).

Il Machine Learning

Il machine learning, o apprendimento automatico, è essenzialmente una strada per l’attuazione dell’intelligenza artificiale; una specie di sottogruppo dell’AI che si concentra sulla capacità delle macchine di ricevere una serie di dati e di apprendere da soli, modificando gli algoritmi man mano che ricevono più informazioni su quello che stanno elaborando. Molto spesso, i termini AI e machine learning (ML) sono stati usati in modo intercambiabile, specialmente nel regno dei big data.

Il termine “machine learning” è stato coniato successivamente all’AI, inteso come “la capacità di una macchina di apprendere senza essere programmata esplicitamente”. L’apprendimento automatico è un modo quindi per “educare” un algoritmo in modo che possa apprendere da varie situazioni ambientali. L’educazione, o ancora meglio l’addestramento, implica l’utilizzo di enormi quantità di dati e un efficiente algoritmo al fine di adattarsi (e migliorarsi) in accordo alle situazioni che si verificano.


Il Machine learning automatizza la costruzione del modello analitico. Usa metodi di reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati. Una rete neurale è ispirata al funzionamento del cervello umano. È un sistema di calcolo costituito da unità interconnesse (come i neuroni) che elaborano le informazioni rispondendo a input esterni, trasmettendo quindi le relative informazioni tra diverse unità.

Un esempio classico di machine learning è rappresentato dai sistemi di visione artificiale, ovvero la capacità di un sistema computazionale di riconoscere oggetti acquisiti digitalmente da sensori di immagine. L’algoritmo impiegato in questi casi dovrà riconoscere determinati oggetti, distinguendoli tra animali, cose e persone, e nello stesso tempo imparando dalle situazioni, ovvero avere memoria di ciò che si è fatto per impiegarlo efficacemente nelle prossime acquisizioni di visione artificiale impiegate soprattutto nei sistemi Automotive.

Il Deep Learning

Intelligenza artificiale, deep learning, machine learning e big data
L’ecosistema computazionale tra intelligenza artificiale, deep learning, machine learning e big data

L’apprendimento approfondito o deep learning è uno degli approcci all’apprendimento automatico che ha preso spunto dalla struttura del cervello, ovvero l’interconnessione dei vari neuroni. Altri approcci includono la programmazione logica induttiva, il clustering e le reti bayesiane. Queste ultime sono basate su modelli DAG (grafo aciclico diretto) costituiti da un insieme di variabili e le loro dipendenze condizionali. Il modello potrebbe rappresentare le relazioni probabilistiche tra malattie e sintomi: dati i sintomi come input è possibile stimare la probabilità di una determinata malattia.

L’apprendimento approfondito utilizza enormi modelli di reti neurali con varie unità di elaborazione; sfrutta i progressi computazionali e tecniche di allenamento per apprendere modelli complessi attraverso una enorme quantità di dati. Le applicazioni comuni includono l’image e lo speech recognition.  Il concetto di apprendimento profondo/approfondito viene a volte indicato semplicemente come “rete neurale profonda”, in riferimento ai numerosi livelli coinvolti.

Intelligenza artificiale e IoT

In questi ultimi anni, sia l’apprendimento automatico che l’apprendimento approfondito hanno fatto enormi passi avanti per l’intelligenza artificiale. Tutti e due richiedono enormi quantità di dati raccolti da una miriade di sensori che continuano a riempire l’ecosistema dell’Internet of Things, rendendo migliore quindi l’intelligenza artificiale.

Il miglioramento dell’ecosistema IoT guiderà l’intelligenza artificiale e quindi gli approcci impiegati per una corretta implementazione. Da  punto di vista industriale, l’AI può essere applicata per prevedere quando le macchine avranno bisogno di manutenzione o analizzare i processi di produzione per ottenere grandi guadagni di efficienza, e risparmiando così milioni di euro. I consumatori avranno la possibilità di gestire in maniera ottimale i propri tempi e le proprie condizioni.

I progressi tecnologici nel campo dell’elettronica continuano a guidare la simbiosi AI e IoT. Gli sviluppi nell’elaborazione dei computer e nell’archiviazione dei dati hanno permesso di ingerire e analizzare più dati. La riduzione dei chip dei computer e le tecniche di produzione migliorate implicano sensori più economici e potenti. La connettività wireless offre un alto volume di dati a tariffe molto economiche, e consentono a tutti quei sensori di inviare dati al cloud. La nascita del cloud ha permesso inoltre una memorizzazione virtualmente illimitata di questi dati e una notevole capacità computazionale di elaborazione. Tutti questi progressi hanno portato l’intelligenza artificiale sempre più vicino all’obiettivo finale di creare macchine intelligenti che stanno entrando sempre più nella nostra vita quotidiana.

Affinché l’intelligenza artificiale e l’apprendimento automatico continuino a progredire in un continuo sviluppo, i dati che guidano gli algoritmi e le relative decisioni devono essere di alta qualità per una corretta interpretabilità.

Maurizio Di Paolo Emilio

Dottore di ricerca in Fisica, Ingegnere delle telecomunicazioni e Giornalista Pubblicista. Ha lavorato in esperimenti per la rivelazione di onde gravitazionali (Esperimento LIGO/VIRGO: Premio Nobel 2017 per la Fisica) come progettista software/hardware, e in altri esperimenti scientifici per lo sviluppo di sensoristica. Collabora a vari progetti di ricerca con enti pubblici e università, e con aziende come progettista elettronico. Collabora inoltre con diversi magazine italiani ed internazionali come technical writer ed editor. E' autore di vari libri editi dalla Springer, oltre a numerose pubblicazioni scientifiche e tecniche.

Maurizio Di Paolo Emilio has 6 posts and counting. See all posts by Maurizio Di Paolo Emilio

2 pensieri riguardo “Intelligenza artificiale, deep learning e machine learning: quali sono le differenze?

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

*

Pin It on Pinterest