34 INNOVAZIONE non si addestri nuovamente) e deterministico (allo stesso dato di ingresso corrisponderà sempre la stessa uscita). Quindi, almeno per questo primo sottoinsieme dell'Intelligenza Artificiale dobbiamo sfatare un mito: un sistema basato su ML (e quindi su IA) non è un sistema che evolve nel tempo in maniera autonoma. Non impara da solo. Si parla infatti di "apprendimento supervisionato". Ma esistono sistemi che imparano da soli? Di base, si, ma occorre mettere i famosi puntini sulle "i". Esiste un sottoinsieme ancora più ridotto e specializzato del ML e quindi dell'IA ed è quello al quale quasi tutti, magari inconsapevolmente, fanno oggi riferimento: il Deep Learning e le reti neurali. Il concetto di base non è poi troppo diverso da quello del machine learning ma con una differenza sostanziale: i dati non sono annotati, ovvero non vengono etichettati per indicare alla macchina cosa debba imparare. I sistemi basati su reti neurali imparano autonomamente ad estrarre delle caratteristiche dai dati che vengono loro forniti in fase di addestramento. Quindi, in effetti, imparano in autonomia a riconoscere determinate cose. Che lo facciano nella maniera corretta o in quella che noi vorremmo, invece, non è affatto ovvio né scontato. Ci sono diversi fattori che influiscono sull'apprendimento, ma potremmo affermare che in gran parte esso dipenderà ancora una volta da qualità, numero e distribuzione dei dati forniti in ingresso alla rete neurale. Si parla di reti neurali perché il DL è basato su delle unità minime di "elaborazione", i percettroni, che da un punto di vista logico lavorano in maniera simile ad un neurone umano. Ognuno di essi impara a riconoscere una caratteristica o un dettaglio ben definiti. Gli algoritmi di DL apprendono in maniera main and will be all the better at doing so the larger, more complete and well-annotated the data set that is used to train it. All this has a consequence: outside of what it has learnt (in the previous example, to recognise cars, planes and ships in an image) a system based on Machine Learning is bound to fail anyway. Not only that, once trained such a system is absolutely static (its behaviour and performance does not change unless it is trained again) and deterministic (the same input will always correspond to the same output). So, at least for this first subset of Artificial Intelligence, we must dispel a myth: a system based on ML (and thus on AI) is not a system that evolves over time autonomously. It does not learn by itself. In fact, we speak of 'supervised learning'. But are there systems that learn by themselves? Basically, yes, but it is necessary to dot the 'i'. There is an even smaller and more specialised subset of ML and thus of AI and it is the one that almost everyone, perhaps unconsciously, refers to today: Deep Learning and neural networks. The basic concept is not too different from that of machine learning but with one major difference: the data is not annotated, i.e. it is not labelled to tell the machine what it should learn. Neural network-based systems learn autonomously to extract features from the data given to them during training. So, in effect, they autonomously learn to recognise certain things. Whether they do it the right way or the way we would like, however, is by no means obvious or evident. There are several factors that influence learning, but we could say that to a large extent it again depends on the quality, number and distribution of the data supplied as input to the neural network. INNOVAZIONE
RkJQdWJsaXNoZXIy NTY4ODI=