Deep learning e machine learning a confronto

Il riconoscimento delle immagini e altre applicazioni di pattern recognition, tradizionalmente legate al machine learning, stanno iniziando ad affidarsi sempre di più all'apprendimento profondo mediante reti neurali. Le reti neurali profonde sono diventate un aiuto insostituibile nell'avanzamento delle tecnologie per la guida autonoma, nel rapido sviluppo di nuovi farmaci e nelle traduzioni in tempo reale in più lingue  per chat online. Nel seguito andremo ad analizzare in cosa il machine learning differisce dal deep learning, e di come l'inferenza e  le prestazioni quasi in tempo reale offerte dalle GPU possano potenziare quest'ultimo approccio.

Introduzione

Nel 2012 durante la sfida annuale di ImageNet, dove i team di ricerca hanno gareggiato con programmi progettati per classificare e rilevare gli oggetti per il database visivo di ImageNet, la rete neurale convoluzionale chiamata AlexNet ha sbaragliato, in termini di prestazioni, tutti i concorrenti che invece utilizzavano la visione artificiale convenzionale. Da allora il potenziale dell'apprendimento profondo (deep learning) facente uso di reti neurali per applicazioni di visione artificiale è stato dimostrato in modo lampante ed ha scatenato una vera e propria rivoluzione in molte aree dell'apprendimento automatico (machine learning) e della percezione. Le reti neurali profonde hanno dimostrato negli anni a venire di operare in modo eccelso rispetto ai vari algoritmi originariamente sviluppati per il riconoscimento dell'immagine basato sul classico apprendimento automatico. Le reti neurali profonde stanno espandendo i loro utilizzi potenziali ben oltre il riconoscimento dell'immagine, dalle auto senza conducente allo sviluppo rapido di nuovi farmaci fino alla traduzione in tempo reale in diverse lingue per chat online.

L'apprendimento profondo accelerato migliora notevolmente il processo di apprendimento per i sistemi di intelligenza artificiale. Migliori e più rapide capacità di inferenza aumentano le prestazioni delle applicazioni per l'Internet delle Cose (IoT), compresa l'analisi dei dati da sensore. I sensori generano grandi volumi di dati che possono essere utilizzati, con un sufficiente addestramento, per prevedere i malfunzionamenti della macchina ad esempio. Laddove i tradizionali metodi di apprendimento automatico possono richiedere mesi, le tecniche di apprendimento profondo accelerato, incluso il riconoscimento automatico dei modelli, riducono il tempo richiesto per addestrare un sistema di intelligenza artificiale. [...]

ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 2380 parole ed è riservato agli ABBONATI. Con l'Abbonamento avrai anche accesso a tutti gli altri Articoli Tecnici e potrai fare il download in formato PDF eBook e Mobi per un anno. ABBONATI ORA, è semplice e sicuro.

Scrivi un commento