This is the Trace Id: 63cdddab03f75db4beba3e7a400c3b30
Passa a contenuti principali
Azure

Che cos'è Deep Learning?

Scopri come il Deep Learning utilizza le reti neurali artificiali, perché è importante e i diversi tipi di modelli.

Definizione di Deep Learning

Deep Learning è un tipo di Machine Learning , ovvero apprendimento automatico, che usa le reti neurali artificiali per abilitare sistemi digitali per apprendere e prendere decisioni in base a dati non strutturati e non etichettati.

Il Machine Learning esegue in genere il training di sistemi di intelligenza artificiale per l'apprendimento da esperienze acquisite con i dati, il riconoscimento di criteri, la formulazione di raccomandazioni e l'adattamento. Invece di rispondere semplicemente a un set di regole, i sistemi di Deep Learning creano conoscenza dagli esempi e quindi usano tale conoscenza per reagire, comportarsi e agire come gli esseri umani.

Punti chiave

  • Il Deep Learning è un tipo di Machine Learning che facilita l'apprendimento e il processo decisionale nei sistemi digitali.
  • Il Deep Learning si basa su architetture di reti neurali che imitano la funzionalità del cervello umano.
  • Per semplificare l'implementazione di modelli complessi di apprendimento automatico, gli sviluppatori si affidano a framework di Deep Learning come TensorFlow o PyTorch.
  • Le industrie impiegano il Deep Learning in vari modi. I chatbot, le auto senza conducente e gli assistenti digitali sono tutti esempi di tecnologie che utilizzano il Deep Learning.
  • Le aziende di diversi settori stanno investendo nel Deep Learning per stimolare l'innovazione, scoprire nuove opportunità e rivelare intuizioni da vasti set di dati.

Importanza del Deep Learning

I data scientist e gli sviluppatori usano software per Deep Learning per eseguire il training di computer in modo da analizzare set di dati complessi e di grandi dimensioni, completare attività complicate e non lineari e rispondere a testo, voce o immagini, spesso in modo più rapido e più accurato rispetto agli esseri umani. Queste funzionalità hanno molte applicazioni pratiche e hanno consentito molte innovazioni moderne. Deep Learning, ad esempio, viene usato dalle automobili senza conducente per elaborare le immagini e distinguere i pedoni da altri oggetti sulla strada o viene usato dai dispositivi per abitazioni intelligenti per comprendere i comandi vocali.

Il Deep Learning è importante perché, essendo i volumi di dati in continua crescita e la capacità di elaborazione sempre più elevata, le società nei settori di vendita al dettaglio, sanitario, trasporti, produzione, tecnologia e di altro tipi stanno quindi investendo in Deep Learning per favorire l'innovazione, sbloccare opportunità e rimanere rilevanti.

Funzionamento di Deep Learning

Deep Learning si basa sulle architetture di rete neurale in più livelli, su unità di elaborazione di elementi grafici a prestazioni elevate distribuite sul cloud o in cluster e su volumi elevati di dati etichettati per ottenere livelli elevatissimi di accuratezza per il riconoscimento di testo, voce e immagini. Tutta questa potenza può aiutare gli sviluppatori a creare sistemi digitali che imitano l'intelligenza umana e semplificare il time-to-value accelerando il training dei modelli da qualche settimana a qualche ora.

Il training di un modello di automobile senza conducente, ad esempio, potrebbe richiedere migliaia di ore di video e milioni di immagini. Senza Deep Learning, questo livello di training non potrebbe essere eseguito su larga scala.

Che cos'è un framework di Deep Learning?

Per semplificare l'implementazione di modelli complessi di apprendimento automatico, gli sviluppatori si affidano a framework di Deep Learning come TensorFlow o PyTorch. Questi framework contribuiscono alla semplificazione del processo di raccolta dei dati, che possono essere quindi usati per eseguire il training delle reti neurali. È inoltre possibile usare acceleratori come ONNX Runtime con questi framework per accelerare il training e l'inferenza dei modelli.

Training di modelli di Deep Learning

Esistono diverse strategie e diversi metodi per il training dei modelli di Deep Learning. Di seguito verranno esaminati alcune strategie e alcuni metodi.

Apprendimento supervisionato

Grazie all'apprendimento supervisionato, viene eseguito il training di un algoritmo su set di dati con etichette. Quando l'algoritmo effettua una determinazione su una parte delle informazioni, può usare quindi le etichette incluse nei dati per controllare se la determinazione è corretta. Con l'apprendimento supervisionato è necessario che i dati su cui viene eseguito il training dei modelli vengano forniti da esseri umani, che etichettano i dati prima di usarli per il training dell'algoritmo.

Apprendimento non supervisionato

Grazie all'apprendimento non supervisionato, il training degli algoritmi viene eseguito su dati che non contengono etichette o informazioni che l'algoritmo può usare per verificare le determinazioni. Il sistema ordina e classifica invece i dati in base ai criteri riconosciuti in modo autonomo.

Apprendimento per rinforzo

Grazie all'apprendimento per rinforzo, un sistema risolve le attività usando diversi tentativi per prendere una serie di decisioni in sequenza e ottenere un risultato previsto anche in un ambiente non semplice. Con l'apprendimento per rinforzo l'algoritmo non usa i set di dati per effettuare determinazioni, ma usa invece le informazioni raccolte da un ambiente.

Deep Learning per rinforzo

Quando le tecniche di Deep Learning e di apprendimento automatico vengono combinate, creano un tipo di apprendimento automatico definito Deep Learning per rinforzo. Deep Learning per rinforzo usa lo stesso processo decisionale basato su tentativi e lo stesso raggiungimento di obiettivi complessi usati dall'apprendimento per rinforzo, ma si basa anche sulle funzionalità di Deep Learning per elaborare e comprendere quantità elevate di dati non strutturati.

Per cosa viene usato Deep Learning?

Deep Learning viene usato nei business in diversi settori e per una vasta gamma di casi d'uso. Ecco alcuni esempi degli usi comuni di Deep Learning:

Riconoscimento di immagini, voce ed emozioni

Il software di Deep Learning viene usato per incrementare l'accuratezza del riconoscimento di immagini, voce ed emozioni e per abilitare ricerche di foto, assistenti digitali personali, veicoli senza conducente, sicurezza pubblica, sicurezza digitale e altre tecnologie intelligenti.

Chatbot

I business all'avanguardia usano Deep Learning come base per chatbot online attivati tramite testo o voce per domande frequenti, transazioni di routine e in particolare per l'assistenza clienti. Questi business sostituiscono team di responsabili dell'assistenza clienti e le code di clienti in attesa con risposte automatiche, contestualmente appropriate e utili.

Veicoli senza conducente

Le auto a guida autonoma utilizzano algoritmi di Deep Learning per elaborare più flussi di dati dinamici in frazioni di secondo e reagire all'imprevisto più velocemente di un conducente umano.

Esperienze personalizzate

I servizi di streaming, i rivenditori di e-commerce e altri business usano i modelli di Deep Learning per favorire raccomandazioni automatizzate per prodotti, film, musica o altri servizi e per perfezionare le esperienze dei clienti in base a cronologie di acquisto, comportamento passato e altri dati.

Assistenti digitali personali

Gli assistenti vocali personali attivati dalla voce usano Deep Learning per comprendere il parlato, rispondere in modo appropriato alle domande e ai comandi in linguaggio naturale e anche essere occasionalmente spiritosi.

Comprendere le reti neurali

Le reti neurali sono architetture digitali progettate per imitare l'attività del cervello umano. Sono composte da nodi interconnessi che elaborano e apprendono dai dati, consentendo compiti come il riconoscimento di schemi e il processo decisionale nel Machine Learning. Le aziende e altre istituzioni si affidano a questi modelli per previsioni finanziarie, strategie di vendita e altre decisioni aziendali.

Che cosa sono le reti neurali?

Una rete neurale artificiale è un'architettura digitale che simula i processi cognitivi umani per modellare criteri complessi, sviluppare previsioni e reagire in modo appropriato agli stimoli esterni. I dati strutturati sono necessari per molti tipi di apprendimento automatico, ma le reti neurali sono invece in grado di interpretare gli eventi nel mondo circostante come dati che possono essere elaborati.

Quando leggi un report, guardi un film, guidi un'auto o annusi un fiore, miliardi di neuroni nel tuo cervello elaborano le informazioni tramite minuscoli segnali elettrici. Ogni neurone elabora gli input e i risultati vengono restituiti al neurone successivo per l'elaborazione aggiuntiva, in modo da produrre infine in modo immediato un'informazione dettagliata aziendale, un sorriso, una pressione del piede sul freno o un po' di gioia. Nell'apprendimento automatico le reti neurali consentono ai sistemi digitali di interpretare e reagire alle situazioni in modo simile.

Una rete neurale artificiale è come un cervello pieno di neuroni digitali. Benché la maggior parte delle reti neurali artificiali sia un'imitazione approssimativa di un cervello reale, queste reti possono comunque elaborare volumi elevati di dati non lineari per risolvere problemi complessi che potrebbero altrimenti richiedere un intervento umano. Gli analisti bancari possono ad esempio usare una rete neurale artificiale per elaborare le richieste di prestiti e prevedere la probabilità di insolvenza di un richiedente.

Cosa è possibile fare con le reti neurali

Nell'apprendimento automatico le reti neurali vengono usate per l'apprendimento e la modellazione di input e output complessi e precari, l'inferenza di relazioni nascoste e la creazione di previsioni senza limitazioni relative alla distribuzione dei dati. I modelli di rete neurale sono la base per molte applicazioni di Deep Learning, tra cui visione artificiale ed elaborazione del linguaggio naturale, che possono contribuire al supporto di protezione da illeciti, riconoscimento di visi o veicoli autonomi.

La maggior parte dei business si basa sulle previsioni per definire decisioni aziendali, strategie di vendita, criteri finanziari e utilizzo delle risorse. Le limitazioni delle previsioni tradizionali rendono tuttavia spesso difficile prevedere processi complessi e dinamici con più fattori sottostanti spesso nascosti, ad esempio i prezzi del mercato azionario. I modelli di rete neurale di Deep Learning contribuiscono all'esposizione di relazioni non lineari complesse e fattori nascosti, in modo da consentire ai business di sviluppare previsioni più accurate.

Reti neurali comuni

Sono disponibili dozzine di tipi diversi di reti neurali di intelligenza artificiale e ogni tipo è ottimale per diverse applicazioni di Deep Learning. Usa una rete neurale artificiale ottimale per il tuo business e i tuoi requisiti tecnologici. Ecco alcuni esempi di reti neurali artificiali comuni:

Rete neurale convoluzionale
Gli sviluppatori utilizzano una rete neurale convoluzionale per aiutare i sistemi IA a convertire le immagini in matrici digitali. Le reti neurali convoluzionali, usate principalmente per la classificazione immagini e il riconoscimento di oggetti, sono ottimali per riconoscimento viso, rilevamento di argomenti e analisi della valutazione.

Rete neurale deconvoluzionale
Se segnali di rete complessi o con volumi elevati vanno persi o risultano convoluti con altri segnali, una rete neurale deconvoluzionale ne semplificherà l'individuazione. Le reti neurali deconvoluzionali risultano utili per l'elaborazione di immagini a risoluzione elevata e stime di flussi ottici.

Rete generativa avversaria
I tecnici usano una rete generativa avversaria per eseguire il training dei modelli sul modo in cui generare nuove informazioni o materiali che simulano le proprietà specifiche dei dati di training. Le reti generative avversarie aiutano i modelli a distinguere differenze minime tra gli originali e le copie per creare copie più autentiche. Le applicazioni di una rete generativa avversaria includono generazione di immagini e video ad alta fedeltà, riconoscimento avanzato del viso e super risoluzione.

Rete neurale ricorrente
Una rete neurale ricorrente immette dati in strati nascosti con ritardi temporali specifici. Il network computing comprende le informazioni cronologiche negli stati correnti e gli input più elevati non modificano le dimensioni dei modelli. Le reti neurali ricorrenti sono ottimali per riconoscimento vocale, previsioni avanzate, robotica e altri carichi di lavoro complessi di Deep Learning.

Transformers
I convertitori sono stati progettati per gestire dati di input sequenziali. Non sono tuttavia limitati all'elaborazione di tali dati in ordine sequenziale. I convertitori usano invece l'attenzione, ovvero una tecnica che consente ai modelli di assegnare livelli diversi di influenza a diversi parti di dati di input e di identificare il contesto per le singole parti di dati in una sequenza di input. Questo approccio consente un livello incrementato di parallelizzazione, che può ridurre il tempo necessario per il training dei modelli.

Confronto tra apprendimento automatico e reti neurali

Anche se le reti neurali vengono considerate un sottoinsieme dell'apprendimento automatico, esistono alcune differenze significative tra reti neurali e modelli di apprendimento automatico normali.

Le reti neurali, prima di tutto, sono in genere più complesse e possono operare in modo più indipendente rispetto ai modelli di apprendimento automatico normali. Una rete neurale, ad esempio, è in grado di determinare autonomamente se le rispettive previsioni e i rispettivi risultati sono accurati, mentre un modello di apprendimento automatico richiederebbe l'input di un tecnico umano per eseguire questa operazione.

Le reti neurali sono inoltre strutturate in modo che la rete neurale possa continuare ad apprendere e prendere decisioni intelligenti in modo autonomo. I modelli di apprendimento automatico, invece, sono limitati al processo decisionale basato solo sugli elementi per cui ne è stato eseguito in modo specifico il training.
RISORSE

 Approfondisci i benefici del Deep Learning

Una donna con una camicia bianca seduta a un computer.
Prodotto

Inizia a usare Deep Learning in Azure

Supporta il riconoscimento delle immagini con le reti neurali oppure ottimizza l'elaborazione del linguaggio naturale con modelli BERT veloci, semplici e accurati per l'elaborazione del linguaggio naturale. Esplora i modi in cui creare, eseguire il training e distribuire tutti i tipi di modelli di Deep Learning con Azure Machine Learning.
Un uomo con la mano sul viso che guarda un laptop.
Soluzione

Esplora l'apprendimento automatico per i data scientist

Scopri come creare soluzioni di apprendimento automatico su scala cloud in Azure ed esplora gli strumenti di apprendimento automatico per data scientist e tecnici di apprendimento automatico.
Un uomo che guarda il suo telefono.
Eventi

Eventi e webinar di Azure

Impara nuove capacità, esplora tecnologie emergenti e connettiti con i tuoi coetanei, digitalmente o di persona.

Domande frequenti

  • Il Machine Learning è un subset di intelligenza artificiale. Utilizza reti neurali artificiali che aiutano i sistemi digitali a imparare e prendere decisioni basate su dati non strutturati e non etichettati.
  • Il Deep Learning è un subset del Machine Learning. La principale differenza tra i due è come ciascun algoritmo apprende e quante informazioni richiede ciascun tipo di algoritmo. Poiché il Deep Learning utilizza più dati, le aziende generalmente si affidano ad esso per compiti più complessi.
  • IA, Machine Learning e Deep Learning sono spesso usati in modo intercambiabile. Tuttavia, è più facile pensare a questi tre come a una serie di sistemi IA dal più grande al più piccolo, ciascuno che comprende il successivo. L'IA è il sistema generale, il Machine Learning è un sottoinsieme dell'IA e il Deep Learning è un sottoinsieme del Machine Learning.
  • Il Deep Learning è utilizzato in una vasta gamma di settori in vari modi. Gli assistenti digitali, ad esempio, utilizzano il Deep Learning per comprendere il linguaggio e rispondere in modo appropriato a domande e comandi.
  • Il Deep Learning è importante perché rivela intuizioni da vasti set di dati in modi che prima non erano possibili. Le aziende nei settori del commercio al dettaglio, della sanità, dei trasporti, della produzione e di altri settori stanno investendo nel Deep Learning per guidare l'innovazione, scoprire opportunità e rimanere rilevanti.
  • Azure impiega il Deep Learning attraverso un complesso sistema di architetture di reti neurali, GPU ad alte prestazioni e grandi volumi di dati etichettati. Questi servizi danno potere agli sviluppatori che utilizzano Azure per creare applicazioni intelligenti, all'avanguardia, pronte per il mercato e responsabili.