Caratteristiche e Differenza tra Machine Learning e Deep Learning in informatica

Lo sviluppo di algoritmi in grado di migliorare il comportamento della macchina (inteso come capacità di agire e prendere decisioni) apprendendo tramite l’esperienza ha rappresentato, di certo, uno dei principali passi avanti nella storia dell’AI (Intelligenza Artificiale). Costruire algoritmi in grado di imparare dai propri errori è difatti fondamentale per realizzare sistemi intelligenti che operino in contesti per i quali i programmatori non possono prevedere a priori tutte le possibilità di sviluppo. Ciò che caratterizza l’AI, da un punto di vista tecnologico e metodologico, è proprio il metodo di apprendimento con cui l’intelligenza diventa abile in un compito o azione che sia. In particolare, i due modelli di apprendimento oggetto di trattazione in questa sezione sono:

1. Machine learning, branca dell’AI che riguarda lo studio, la costruzione e l’implementazione di algoritmi matematici attraverso i quali si permette ad una macchina di apprendere autonomamente e, a partire da un insieme di dati in ingresso, a costruire modelli predittivi riducendo il peso degli errori al termine di ogni processo d’apprendimento. In questo modo la macchina potrà svolgere una specifica attività senza che venga preventivamente programmata. In particolare, distinguiamo tre approcci: il supervised machine learning, dove le etichette sono create dall’addestratore per rendere la macchina capace di scoprire relazioni tra input ed etichette; il unsupervised machine learning dove, invece, le etichette non sono disponibili e si chiede alla macchina semplicemente di trovare dei cluster all’interno dei dati e, infine, il reinforcement learning che realizza algoritmi in grado di apprendere ed adattarsi alle mutazioni dell’ambiente.
2. Deep learning, modello di apprendimento ispirato alla struttura ed al funzionamento del cervello biologico. Se il machine learning allena l’AI, il deep learning rappresenta l’algoritmo che permette di emulare la mente dell’uomo. In questo caso il deep learning necessita, però, sia di algoritmi che di reti neurali artificiali progettate ad hoc (Deep Artificial Neural Networks) e di una capacità computazionale in grado di reggere differenti strati di calcolo ed analisi.

In sintesi, il deep learning è un caso particolare di machine learning e le reti neurali sono i sistemi di calcolo. In quest’ottica, è possibile offrire una classificazione che definisce e ripercorre le tappe dell’AI, del machine learning e del deep learning. L’AI in quanto engineering di sviluppare programmi e macchine intelligenti contiene la branca del machine learning, ovvero l’abilità delle macchine ad apprendere senza che le stesse siano state preventivamente programmate. In questo insieme si inserisce il deep learning, dove l’apprendimento avviene tramite reti neurali artificiali.