Addestrare, non programmare

Rappresentando un sottodominio del machine learning e dell’intelligenza artificiale, i sistemi di deep learning seguono un approccio tecnologico che è fondamentalmente diverso dalle attuali tecniche di visione artificiale. Questi sistemi utilizzano le reti neurali: il termine “apprendimento profondo” si riferisce al numero generalmente elevato di livelli nascosti che tali reti contengono. I sistemi basati su architetture deep learning sono unici nella loro capacità di analizzare enormi volumi di dati di immagini digitali, il che rende possibile addestrarli a riconosce i modelli di determinati oggetti. Con l’aiuto di questi dati di addestramento, il classificatore in questione impara a distinguere tra le classi specificate.

I numerosi vantaggi di un processo decisionale flessibile – La forza del deep learning sta nel modo in cui il suo approccio può prendere decisioni più flessibili rispetto alle serie di regole predefinite che si trovano nei sistemi convenzionali di visione artificiale. L’apprendimento approfondito offre un vantaggio ogni volta che si hanno oggetti con grandi variazioni che rendono difficile la modellizzazione matematica. In altre parole, il deep learning presenta un’alternativa nei casi in cui i sistemi convenzionali di visione artificiale abbiano raggiunto i loro limiti. Le principali sfide che affrontano questi sistemi includono cambiamenti nelle condizioni ottiche in atto, aumento della diversità del prodotto e complessità delle immagini stesse. Anche nelle aree in cui la visione artificiale è già stata implementata, l’aggiunta di un sistema deep learning può aumentare drasticamente la velocità e la precisione del processo di ispezione.

Una varietà di applicazioni già in funzione – Oggi, l’apprendimento approfondito è già stato incorporato in applicazioni in cui la visione artificiale gestisce autonomamente la classificazione degli oggetti. Per esempio, con l’aiuto del deep learning gli algoritmi di autoapprendimento possono rilevare ogni singolo piccolo difetto nella vernice della carrozzeria di un’automobile – anche quelli invisibili ad occhio nudo.
Nel frattempo, anche l’industria alimentare e delle bevande inizia a trarre benefici dalle tecnologie di deep learning. Ad esempio, è possibile identificare e ispezionare frutta e verdura di bassa qualità con una precisione significativa, prima di essere confezionata o elaborata ulteriormente. Una nota azienda italiana utilizza il deep learning per classificare in tempo reale la qualità di ogni porzione del suo prodotto, e confezionarla nel packaging appropriato.

Il deep learning integrerà o soppianterà i sistemi già in uso? – Gli esperti sono ormai d’accordo sul fatto che il deep learning domini virtualmente ogni metodo di classificazione (come nell’assicurazione della qualità o nella cernita) a medio termine. Spostando l’attenzione dalla programmazione alla semplice predisposizione di tali sistemi, l’apprendimento approfondito può ottenere un uso diffuso. Le attività legate alla classificazione, ad esempio, sono molto più facili da gestire rispetto alle tecniche algoritmiche. Le reti neurali sono particolarmente adatte a molte altre attività, comprese quelle che coinvolgono superfici riflettenti, ambienti con illuminazione inadeguata, oggetti in movimento, robotica e 3D. Le aree in cui il riconoscimento degli oggetti o la classificazione degli oggetti sono l’obiettivo primario faranno sicuramente la transizione dagli approcci tradizionali al deep learning. Analisi delle texture, corrispondenza dei modelli, OCR, stima delle pose, analisi e interpretazione delle scene urbane e riconoscimento del testo scritto a mano sono alcuni esempi.
Combinare l’apprendimento profondo con la visione artificiale tradizionale può tuttavia avere senso quando si tratta di garantire una classificazione al 100%. Non passerà molto tempo prima di iniziare a vedere sempre più sistemi ibridi. La maggior parte delle volte, si ha bisogno sia di algoritmi di deep learning che di computer vision che si sono dimostrati robusti. Ci sono molti campi in cui i metodi convenzionali possono resistere grazie ad una caratteristica cruciale che gli approcci di apprendimento automatico tipicamente non hanno: la capacità di tenere traccia delle decisioni, comprese quelle imperfette.