Il deep learning è un potente tipo di machine learning in grado di elaborare dati senza etichetta e riconoscere modelli. Il deep learning è fondamentale per molti tipi di intelligenza artificiale.
Dopo aver letto questo articolo sarai in grado di:
Argomenti correlati
Cos'è l'intelligenza artificiale (IA)?
Cos'è il machine learning?
Cos'è un LLM?
IA predittiva
Database vettoriale
Abbonati a theNET, il riepilogo mensile di Cloudflare sulle tematiche più discusse in Internet.
Copia link dell'articolo
Il deep learning è un tipo di machine learning in grado di riconoscere modelli complessi e creare associazioni in modo simile agli esseri umani. Le sue capacità possono spaziare dall'identificazione di elementi in una foto al riconoscimento di una voce, fino alla guida di un'auto o alla creazione di un'illustrazione. In sostanza, un modello di deep learning è un programma per computer che può mostrare intelligenza, grazie al suo approccio complesso e sofisticato all'elaborazione dei dati.
Il deep learning è un tipo di intelligenza artificiale (IA) ed è fondamentale per il funzionamento di molti servizi e modelli di intelligenza artificiale. I modelli linguistici di grandi dimensioni (LLM) come ChatGPT, Bard e Bing Chat e i generatori di immagini come Midjourney e DALL-E si basano sul deep learning per apprendere la lingua e il contesto e per produrre risposte realistiche. I modelli di intelligenza artificiale predittiva utilizzano il deep learning per trarre conclusioni da vaste raccolte di dati storici.
Di solito, per utilizzare un programma per computer sono necessari input precisi per ottenere gli output corretti. Al contrario, il deep learning può utilizzare dati arbitrari o imprecisi e produrre comunque un output pertinente. Ad esempio, un programma per computer tradizionale potrebbe essere in grado di stabilire se due ritratti digitali sono esattamente uguali. Un modello di deep learning potrebbe essere in grado di riconoscere somiglianze nei soggetti del ritratto, anche se i ritratti stessi sono diversi.
Il deep learning si basa su grandi set di dati e su molta potenza di calcolo. Con l'aumentare della disponibilità di questi due elementi, i modelli di deep learning sono diventati più sofisticati. Oggi, le raccolte di big data e i servizi di cloud computing basati su GPU rendono il deep learning più accessibile che mai agli sviluppatori e agli utenti comuni.
Il machine learning è un tipo di programma per computer in grado di apprendere senza istruzioni esplicite. Il deep learning è un tipo particolare di machine learning, proprio come un jet è un tipo particolare di aereo. Entrambi implicano che un programma per computer impari da solo da un insieme di dati. Tuttavia, il deep learning può fare di più, proprio come un jet è più potente di un aereo a elica o di un aliante.
Il deep learning può anche imparare da dati non etichettati, mentre modelli di machine learning più basilari possono richiedere più contesto sui dati che vengono alimentati per "apprendere" correttamente. Infine, i modelli di deep learning sono creati utilizzando reti neurali. I modelli di machine learning possono essere costruiti su reti neurali, ma non è sempre così.
Oggi il deep learning trova già numerose applicazioni nel mondo e se ne continuano a scoprire di nuove. I casi d'uso attuali includono:
(Tecniche come l'adattamento di basso rango possono aiutare gli sviluppatori ad adattare rapidamente un modello di deep learning per un nuovo caso d'uso.)
Nel campo del machine learning, l'apprendimento non supervisionato è un modo per identificare modelli e associazioni in un ampio set di dati senza alcun contesto relativo al contenuto del set di dati. Al contrario, l'apprendimento supervisionato fornisce al modello input e output di esempio. Il deep learning può utilizzare l'apprendimento supervisionato per i modelli di addestramento, ma la sua capacità di apprendere senza supervisione lo distingue dagli altri tipi di machine learning.
Immagina che un modello di machine learning sia alimentato da esempi di articoli di notizie, con un'indicazione dell'argomento di cui tratta ogni articolo. Dopo un addestramento sufficiente, questo modello potrebbe essere in grado di "scrivere" un articolo su un determinato argomento. Questo è l'apprendimento supervisionato.
Ora, immagina che un modello di deep learning sia alimentato da una serie di articoli di esempio, senza indicazioni su cosa tratta ciascun articolo. Un modello del genere, se sufficientemente potente, potrebbe essere in grado di scrivere un articolo su un dato argomento, utilizzando come input solo l'argomento stesso. Questo è l'apprendimento non supervisionato.
I dati non etichettati sono dati senza classificazioni, tag o etichette. I set di dati non etichettati possono contenere qualsiasi dato arbitrario e assumere qualsiasi forma: foto casuali, raccolte video, lunghi elenchi di nomi di file, dati di log o una combinazione di tutti gli elementi sopra menzionati. Gli articoli di notizie forniti senza contesto (dall'esempio precedente) sarebbero un esempio di dati senza etichetta.
I modelli di deep learning sono in grado di contestualizzare e "comprendere" i dati non etichettati. E in genere, più dati vengono forniti, più sofisticati diventano i modelli.
Anche i dati non etichettati sono spesso non strutturati. I dati non strutturati non seguono alcun formato particolare e quindi possono contenere qualsiasi tipo di informazione digitale. Lo storage di oggetti viene spesso utilizzato per salvare dati non strutturati di questo tipo. Tali raccolte di dati possono crescere all'infinito e lo storage di oggetti è un modo altamente scalabile e abbastanza conveniente per archiviarli.
I modelli di deep learning diventano più efficaci quando ricevono grandi raccolte di dati da cui imparare, anche quando tali dati non sono etichettati o strutturati. Lo storage di oggetti è quindi una risorsa importante per i modelli di deep learning.
Una rete neurale è un tipo di architettura di machine learning basata sul funzionamento del cervello umano. Le reti neurali sono un insieme di nodi, dove ogni nodo è una propria unità di elaborazione. I dati statisticamente significativi vengono passati da un nodo all'altro.
Questi nodi sono distribuiti su almeno tre livelli: un livello di input, un livello nascosto e un livello di output. Di solito ci sono diversi nodi in ogni livello. Possono esserci più livelli nascosti e i modelli di deep learning tendono ad averne molti.
Pensa a una rete neurale come a un team che lavora insieme per risolvere un problema. Ogni membro del team è responsabile di un aspetto del problema e, una volta svolto il proprio ruolo, lo passa al membro successivo del team. Alla fine, i membri del team giungono insieme a una soluzione completa.
Le reti neurali esistono da decenni, ma il deep learning moderno utilizza più livelli rispetto alle reti neurali del passato. Gli attuali modelli di deep learning hanno accesso a una potenza di calcolo e a una quantità di dati notevolmente maggiori rispetto al passato, consentendo agli sviluppatori di accelerare l'avanzamento della tecnologia dell'intelligenza artificiale.
Cloudflare consente agli sviluppatori di creare facilmente applicazioni di intelligenza artificiale accessibili da qualsiasi luogo con una latenza minima. Cloudflare Workers AI fornisce accesso a GPU serverless sulla rete globale di Cloudflare per l'esecuzione di modelli avanzati di apprendimento automatico. Cloudflare R2 è lo storage di oggetti, privo di costi per il trasferimento dati, per l'archiviazione più conveniente di set di dati di grandi dimensioni che possono essere utilizzati per addestrare modelli di deep learning.
Scopri di più su Cloudflare per l'IA.
Il deep learning è un sottoinsieme dell'apprendimento automatico, che si occupa di identificare modelli complessi e creare associazioni simili a quelle umane. Per generare queste associazioni, i modelli di deep learning possono addestrarsi autonomamente utilizzando dati non etichettati, cosa che li rende più potenti rispetto ad altre tipologie di apprendimento automatico.
Il deep learning sta alla base molti servizi di intelligenza artificiale, come i modelli linguistici di grandi dimensioni (LLM) e i generatori di immagini. Esso è ciò che permette a questi tipi di modelli di apprendere il linguaggio, comprendere il contesto e generare output realistici o utilizzabili.
Il deep learning è alla base di molti servizi basati sull'intelligenza artificiale, tra cui gli assistenti vocali, le auto a guida autonoma, i modelli predittivi, la creazione di immagini e l'elaborazione del linguaggio naturale (Natural language processing, NLP). Il deep learning può anche essere d'aiuto nella ricerca e nell'analisi dei dati.
Il deep learning è un sottoinsieme specializzato dell'apprendimento automatico, ma dispone di funzionalità più avanzate. I modelli di deep learning sono in grado di apprendere in modo non supervisionato, addestrandosi su set dati di grandi dimensioni privi di contesto o di etichette.
Si parla di apprendimento non supervisionato quando un modello identifica schemi e associazioni nei dati senza la necessità di un contesto preliminare o di esempi etichettati. In questo aspetto il deep learning eccelle, consentendo ai modelli di individuare strutture e schemi in dati grezzi e non etichettati.
I dati non etichettati sono sprovvisti di classificazioni o tag. In un set di dati non etichettati sono presenti dati o file arbitrari. I modelli di deep learning possono analizzare e interpretare i dati non etichettati una volta che gliene viene sottoposta una quantità sufficiente.
Il deep learning si basa sull'elaborazione di set di dati molto grandi, e questo richiede notevoli risorse computazionali. I progressi nella disponibilità dei dati e nella potenza di calcolo basata su GPU hanno reso il deep learning una prassi più fattibile.
Una rete neurale è un'architettura di apprendimento automatico ispirata al funzionamento del cervello umano. Essa è formata da nodi interconnessi tra tre livelli: il livello di input, di output, e il livello nascosto. Ogni nodo elabora e trasmette dati significativi ai nodi del livello successivo.
Le reti neurali hanno un livello di input, uno o più livelli nascosti e un livello di output. I nodi di ciascun livello elaborano i dati e trasmettono le informazioni rilevanti per alla fine generare un output.