Sistemi di visione deep learning

Le soluzioni Primeconcept più innovative sono human-like.

Esistono alcune attività che l’uomo compie ogni giorno inconsapevolmente, ma la cui assenza potrebbe pregiudicare tanto il suo rapporto con gli altri quanto la sua stessa esistenza. Pensiamo a quando si trovi a dover indovinare l’effetto sortito sul suo interlocutore attraverso i suoi gesti, le espressioni, il tono delle risposte che riceve. Oppure a quando debba fare affidamento sulla propria interpretazione di una serie d’immagini (come la segnaletica stradale) per determinare se le azioni che stanno per compiere siano costruttive o meno.

Riconoscere e classificare sono azioni così legate all’esperienza che spesso ne facciamo uso senza accorgercene, avvalendoci della facoltà squisitamente umana di imparare e replicare, adattandosi al contesto.

L’evoluzione del machine learning: le reti neurali.

Già il machine learning mostrava la capacità di apprendere nuove abilità attraverso alcuni meccanismi di base. Ossia: creato un modello, il sistema ne ricava un metodo di lavoro che gli consente di analizzare i dati inseriti ed eventualmente adattarli a schemi non ancora immessi. Il tutto con un intervento ridotto da parte dell’uomo.

Lo studio e l’introduzione, a partire dagli anni ottanta, di un sistema di reti neurali artificiali ha permesso a questo processo, per quanto già elaborato e decisamente rivoluzionario, di assumere connotazioni di pensiero più “human-like”, umane. La macchina impara ad acquisire i propri dati attraverso la pratica e a modificare il proprio comportamento di conseguenza, affrontando senza incertezze anche le situazioni sconosciute. Un atteggiamento, quello dei sistemi deep learning, completamente diversi rispetto a quello passivo dei primi dispositivi, vincolati all’applicazione di algoritmi specifici introdotti all’occorrenza.

E’ facile supporre che un aiuto imponente a questo processo evolutivo sia arrivato dalla quantità di dati che negli ultimi anni sono stati resi accessibili attraverso i motori di ricerca.

Al giorno d’oggi è infatti possibile acquisire un bagaglio di immagini e di files audio e video così vasto da consentire azioni sconosciute precedentemente ai sistemi di visione deep learning, come il riconoscimento di un volto attraverso una quantità ridotta di particolari, o l’individuazione delle preferenze di un utente attraverso le sue ricerche.

Attraverso i sistemi di visione deep learning abbiamo permesso all’intelligenza artificiale di conseguire risultati inattesi.

Profondo è il sistema di apprendimento, e profonda è la rete neurale che lo rende possibile, estendendosi oltre i compiti di analisi e previsione adottati fino a questo momento dal machine learning. Un computer è oggi in grado di effettuare un’analisi rapida e precisa dei dati che riceve, elaborando differenze ed analogie tra elementi anche profondamente diversi tra loro senza più suscitare alcuno stupore da parte nostra.

Il termine “deep learning”, espressione di un sistema di analisi elaborato ed innovativo, trova il suo significato proprio nel processo di acquisizione di cui si avvale.

Quando diciamo “apprendimento profondo” facciamo infatti riferimento alla molteplicità di strati attraverso cui si sviluppa l’ottenimento di un dato e, in seguito, l’applicazione della nozione a situazioni differenti. Ogni nuovo strato consente all’intelligenza artificiale di articolare maggiormente la propria conoscenza e di stabilire nuove reazioni e connessioni, generando un metodo di apprendimento potenzialmente illimitato.

E’ semplice, quindi, riconoscere nella funzione delle reti neurali la medesima che il cervello umano si trova ad assolvere quando, acquisita una nozione nuova, avvia un processo di riconoscimento e classificazione che gli consenta di farne uso successivamente. E proprio come accade nell’intelletto umano, i sistemi di visione deep learning permettono di stabilire gerarchie di significato ed importanza, tra i dati acquisiti, che rispondono ad un auto-addestramento (self-learning) costante, piuttosto che ad una programmazione mirata.

L’autonomia di apprendimento dell’intelligenza artificiale ha come effetto una capacità di adattamento superiore a quella umana, poiché consente una ristrutturazione costante dei livelli, contestualmente all’acquisizione di nuove esperienze e prospettive.

Non siamo poi così lontani dalla realtà quando, osservando le capacità di analisi di un computer, ci chiediamo se stia pensando proprio quello che pensiamo noi.

Più applicazioni per un solo sistema.

Abbiamo più volte appurato l’efficacia dei sistemi di visione deep learning nella visione industriale, come sistema di ispezione dei prodotti su nastro. La possibilità di effettuare un confronto tra migliaia di pezzi simili fornisce le basi per una selezione precisa e a prova di falsi positivi. I settori alimentari, meccanici, farmaceutici e, in generale, i settori di produzione in serie non possono che riconoscere indispensabile un processo di analisi così regolare, oggettivo ed accurato.

In tempi più recenti questi ambiti di applicazione sono stati affiancati dalla medicina, il cui reparto diagnostico e radiologico inevitabilmente beneficia del bagaglio apportato dai sistemi di visione deep learning. Sarà sufficiente pensare a quanto più rapidamente si riesca a formulare una diagnosi attingendo al bacino di interconnessioni di un computer, piuttosto che a quello, limitato, dell’uomo: casi precedenti e analogie verrebbero confrontati ed elaborati ad un ritmo sorprendente.

Naturalmente esistono numerose altre realizzazioni, come l’applicazione dei colori alle immagini in bianco e nero, o l’inserimento di traduzioni simultanee in conferenza e testi in scene silenziose.

Ogni processo, per quanto complesso possa sembrare inizialmente, acquisisce attraverso l’architettura del deep learning una sua potenzialità applicativa che avremmo considerato inesistente quando, ricorrendo al machine learning, ci scontravamo con l’incapacità della macchina di elaborare migliaia di dati autonomamente.

Sistemi di visione deep learning come espressione di intelligenza. Artificiale.

Quando il sistema di visione deep learning viene integrato in un processo di controllo, possiamo aspettarci l’oggettività di una selezione priva di contaminazioni e di false convinzioni. E, di conseguenza, un risultato ottimale spoglio di quei falsi positivi che incidono negativamente sulla valutazione finale del prodotto.

L’applicazione del sistema deep learning alla visione industriale, ad esempio, ci consente di identificare

• anomalie e difetti di produzione, effettuando una selezione rigorosa e precisa che trae spunto dal confronto con elementi regolari e precedentemente adottati a modello;
• sfumature e variazioni: dall’imperfezione tollerabile all’errore di produzione;
• elementi pregiudicanti per il funzionamento del sistema nel suo complesso (ad esempio, in ambito di componentistica elettronica e meccanica).

Imperfezioni, appunto, che normalmente sfuggirebbero all’occhio, rilevate tramite i sistemi di visione deep learning con una precisione di prestazione analoga a quella attesa dal cervello umano. O forse addirittura superiore. In un’osservazione oggettiva come quella eseguita da una macchina ci aspettiamo infatti che non intervengano interferenze esterne di tipo personale, emotivo o fisico (mancanza di obiettività, stanchezza, superficialità, distrazione..).

Soprattutto, ci aspettiamo che possieda l’efficienza necessaria a non commettere errori. Se la fallibilità umana è argomento di conversazione ormai esausto, la perfezione tecnologica continua ad essere un punto saldo dell’evoluzione industriale. Il sistema di visione deep learning applicato nell’industria come espressione d’intelligenza artificiale, è ciò che ci consente di mantenere viva questa convinzione e di fare in modo che continui a sorprenderci.

Il self-learning come requisito di crescita fondamentale.

Ciò che consente ai nostri sistemi di sfruttare al massimo il potenziale del deep learning è la capacità dell’impianto di apprendere costantemente. Ovvero, di formare la propria esperienza senza la necessità d’interventi esterni di modifica, aggiornamento e inserimento dati.

Un sistema di visione deep learning, capace di provvedere autonomamente all’accrescimento del proprio bagaglio d’informazioni è un sistema potente, flessibile ed affidabile. Ed i campi e le possibilità di applicazione spaziano tra settori di natura differente, mantenendo inalterata la caratteristica principale: i risultati, continui e precisi in ogni momento.

Tra le capacità più utili rese accessibili dal sistema di visione deep learning annoveriamo:

• l’opportunità di valutare retroattivamente il processo di controllo e di selezione, per applicare verifiche mirate all’efficacia dell’analisi in tutte le sue fasi
• l’automatizzazione di processi sempre più complessi e, di conseguenza, l’introduzione di un numero sempre crescente di attività contemporanee

Zero difetti, zero errori: un processo che può procedere agevolmente è un processo che funziona.

Non soltanto nastri di produzione.

L’efficacia della cooperazione tra l’uomo e la macchina si manifesta nella qualità del lavoro che è svolto quando all’azione umana si accompagna la supervisione dell’intelligenza artificiale. Un’architettura deep learning applicata ad un sistema di analisi consente la classificazione di un numero inimmaginabile di dati e la drastica riduzione dell’errore.