Se con intelligenza artificiale si intende in generale la capacita’ di un robot di esibire una qualche capacita’ intellettiva, il Machine Learning ne e’ un sottoinsieme che raggruppa le tecniche che consentono alla macchina di leggere dati e capire le regole sottese, mentre il Deep Learning (DL) e’ un ulteriore sottoinsieme che consente di fare questa interpretazione dei dati senza nessuna supervisione da parte di esperti in carne ed ossa.
In pratica al DL possiamo dare in pasto tantissimi dati diversi e ci fidiamo che gli algoritmi interpretino correttamente e prendano le decisioni migliori. Come illustrato da Pietro Gentile in Zafferano.News precedente, fidarsi di una macchina senza ben sapere come è arrivata a certe conclusioni, puo’ essere pericoloso.
Campo importante di applicazione del Deep Learning e’ la capacita’ di fare previsioni, di qualsiasi genere. La nostra mente riesce a gestire poche variabili contemporaneamente, e siamo inclini ad estrapolare linearmente rispetto al passato. Questo significa che le previsioni umane tendono a perdere di vista fattori che potrebbero essere importanti ed ipotizzano che il futuro sia simile al passato. Questo fa si che la capacita’ di prevedere il futuro sia mediamente scarsa.
Nel caso delle previsioni meteo, quanto succedera’ nel giro di poche ore e’ facilmente comprensibile da tutti con precisione, ma questa diminuisce con il passare del tempo al punto che previsioni ad una settimana sono aleatorie.
Il Deep Learning costituisce un valido aiuto in questo caso, perche’ la macchina puo’ considerare centinaia e migliaia di variabili contemporaneamente senza perdersi i segnali deboli, e specialmente non ha problemi a “pensare” in modo non-lineare. Questo significa che al robot possono essere dati in pasto i dati di insolazione, umidita’, venti in quota e tutti i fenomeni metereologici, anche lontani, che possono influenzare l’evoluzione di perturbazioni.
In USA le aziende agricole pagano circa $20.000 all’anno per avere previsioni relative ai loro campi, perche’ quando queste sono precise e tempestive l’agricoltore puo’ ottimizzare le quantita’ di nutriente ed irrigazione, con notevole risparmio di costi. Allo stesso modo aziende industriali con consumo energetico importante possono prevedere il carico dei propri sistemi di condizionamento, quindi approvvigionarsi in modo piu’ conveniente rispetto al passato, con notevoli risparmi.
I campi di applicazione sono molti, e per chi volesse approfondire consiglio questo https://machinelearningmastery.com/deep-learning-for-time-series-forecasting/ . Buona Lettura.
