Non sei connesso a internet.
Corporate logo
ComputerRetroscena 2058

IA, Machine Learning e Deep Learning: qual è la differenza?

Oggi, l'intelligenza artificiale (IA) è spesso associata al Machine Learning (apprendimento automatico). Il Machine Learning è una sotto-area dell'intelligenza artificiale, ma i termini non possono essere usati come sinonimi. Lo stesso vale per il Deep Learning (apprendimento profondo). Ecco spiegate le differenze.

Dovrei fare un nuovo taglio ai capelli. Devo prendere un appuntamento con un parrucchiere. Purtroppo non posso fissare appuntamenti online con lui, quindi dovrei contattarlo telefonicamente. Ma non mi piace affatto telefonare. Per fortuna posso chiedere a Google di fissare un appuntamento al posto mio.

Questo esempio mostra molto bene che cos'è l'intelligenza artificiale (IA). Intelligenza artificiale è il termine generico quando si parla di intelligenza delle macchine. Possiamo incontrare l'intelligenza artificiale nella vita quotidiana, come dimostra l'esempio del Google Assistant. L’IA dovrebbe essere in grado di trarre conclusioni logiche, rappresentare la conoscenza, pianificare, navigare, elaborare il linguaggio, percepire il mondo, interagire in esso e anche possedere intelligenza emotiva e moralità.

Il Machine Learning fa parte dell'IA e il Deep Learning fa parte del Machine Learning. Ma cosa significano esattamente questi due termini?

Scopri di più sull’intelligenza artificiale in questo articolo (in tedesco)

Nessuna immagine

Smart homeRetroscena

Künstliche Intelligenz – Wann gilt sie als intelligent?

Machine Learning

Un esempio di Machine Learning è il motore di raccomandazione di Netflix, parte integrante del servizio di streaming. Netflix consiglia film, serie e documentari in base alle tue preferenze e valutazioni.

Il motore di raccomandazione di Netflix è Machine Learning.

Nell'apprendimento automatico, un sistema viene alimentato con dati e informazioni associate. Ad esempio, il traffico stradale: voglio sapere quanti veicoli passano davanti a casa mia in un pomeriggio. Vorrei anche ordinarli per tipo di veicolo. Potrei contarli, ma che fatica.

Così, alimento un sistema di Machine Learning con dati visivi su vari veicoli (auto, bicicletta, moto). Fornisco al sistema informazioni sulle caratteristiche di questi veicoli, ad esempio che una bicicletta è formata di solito da due ruote, pedali e manubrio. Il sistema impara a distinguerli per caratteristiche visive. Dopo averlo alimentato con i dati a mia disposizione, gli lascio osservare la strada. I nuovi dati arrivano al sistema, che li registra e li confronta con quelli esistenti. In questo modo ottengo informazioni sul tipo e il numero di traffico di fronte a casa mia.

Nell'apprendimento automatico, il sistema può fare previsioni basate su dati noti. Quindi ha bisogno prima di alcuni dati per imparare, ma meno rispetto a un sistema di Deep Learning. Il Machine Learning è quindi adatto anche a sistemi più semplici. Tuttavia, la maggior parte dei dati deve essere immessa manualmente. Un compito viene diviso e risolto nelle sue singole parti. Occorre relativamente tempo prima che io sappia se il sistema sia accurato; la fase di prova è di conseguenza lunga. Inoltre, il sistema è facile da comprendere perché le regole sono dettate dall'uomo.

Deep Learning

Un esempio di Deep Learning è la colorazione automatica delle foto in bianco e nero. Il sistema impara dai modelli di colore che si trovano sulle foto. Ad esempio, il cielo è di solito blu e le nuvole sono spesso di colore bianco-grigio. Questa conoscenza viene poi trasferita ad altre foto in bianco e nero.

Risultati della colorazione dell'immagine tramite Deep Learning
Immagine: http://hi.cs.waseda.ac.jp/~iizuka/projects/colorization/en/

A differenza del Machine Learning tradizionale, i sistemi Deep Learning possono anche imparare da soli. Nell'apprendimento profondo non monitorato, ad esempio, i dati sono ancora inseriti da mani umane, ma il sistema stesso li elabora. Questo funziona tramite reti neurali artificiali.

Torniamo all'esempio del conteggio dei veicoli. Questa volta i dati visivi vengono messi a disposizione del sistema senza ulteriori informazioni. Il sistema divide queste immagini in pixel grossolani (ad es. 28×28) e fa passare le informazioni attraverso la rete neurale artificiale, imparando così a distinguere i diversi tipi di veicolo. Dopo che il sistema ha appreso, inseriamo nuovi dati – il conteggio del traffico effettivo. Ora li riconosce correttamente.

Il modo in cui il tutto funziona in dettaglio è molto complesso. Attualmente sto lavorando proprio su questo e presto scriverò un articolo a riguardo.

I sistemi di apprendimento profondo pensano e imparano attraverso reti neurali artificiali, come noi esseri umani. Più dati sono disponibili, migliori saranno le prestazioni. Occorrono molti più dati rispetto al Machine Learning. Il Deep Learning offre una migliore scalabilità rispetto ad altri sistemi ML. Questo ha il suo prezzo: l'apprendimento profondo richiede molta potenza di calcolo, ed è per questo che è più adatto a sistemi complessi. I problemi sono registrati nella loro interezza e il sistema stesso decide da cosa apprendere. L'apprendimento dei sistemi richiede più tempo rispetto ad altri sistemi ML, ma i test sono molto più veloci.

Riassumendo

In breve, l'intelligenza artificiale è un concetto e l'apprendimento automatico è un modo possibile per raggiungerla. L'intelligenza artificiale è il contenitore, per così dire. Le macchine intelligenti agiscono e pensano come l'essere umano. Attraverso l'apprendimento automatico, un sistema impara tramite programmazione. Nel Deep Learning, il sistema può imparare in modo indipendente.

In altre parole, tutto l'apprendimento automatico è IA, ma non tutta l'IA è apprendimento automatico. Analogo a questo, tutto il Deep Learning è Machine Learning, ma non tutto il Machine Learning è Deep Learning. E non da ultimo: tutto il Deep Learning è IA, ma non tutta l'IA è Deep Learning.

Sembra complicato, ma in realtà è molto semplice.

Potrebbero interessarti anche questi articoli

Assistenti vocali e malintesi
Smart homeNovità e tendenze

Assistenti vocali e malintesi

Nerdtopia: i miei 5 highlight da non perdere alla <strong>Fantasy Basel</strong>
VideogiochiNovità e tendenze

Nerdtopia: i miei 5 highlight da non perdere alla Fantasy Basel

<strong>Air Bar:</strong> una barra che rende il PC tattile
ComputerRecensione

Air Bar: una barra che rende il PC tattile

User
Tecnologia e società mi affascinano. Combinarle entrambe e osservarle da punti di vista differenti sono la mia passione.

20 Commenti

3000 / 3000 caratteri

User Anonymous

Funny ich hab nur den YOLO Algo gesehen auf deinem Bild mit den Fahrzeugen (gelbe Umrandung). Den Title mehr oder weniger übersprungen /ignor … :-P

04.06.2018
User Anonymous

Hem.. die Aussage: “Deep Laerning lernt das System eigenständig”, würde ich nicht so unterschreiben. In Deep Learning wird auch unterschieden zwischen supervised and unsupervised learning. Ein CNN oder RNN gehört meist zu den Supervised Learning. ML gehört primär auch zu den Supervised Learning Algos, so hab ich es verstanden.

04.06.2018
User Anonymous

Ein GAN, DCGAN gehört zu den semi supervised learning (ein Hybrid also..fast vergessen). Ein RL ist dann ein Unsupervised Learning, das wo oft sehr schwierig bis die Hyperparameter zum Algo gut laufen. Das coole oder uncoole an RL ist, dass jeder Learn Run sich anders verhält. Sozusagen das Ergebnis kann mit den gleichen Hyperparameter bei einem frischen Start fürs Lernen sich komplett anders verhalten.

04.06.2018
User Anonymous

RL hat was von einem Hunde Training, das System oder ein Hund möchte die maximale Belohnung bekommen in der kürzesten Zeit.

04.06.2018
User Anonymous

Das war jedenfalls meine Erfahrung vom Programmieren und Trainier solcher Systeme.
Der klare unterschied zwischen Deep Learning und Maschine Learning ist für mich: Deep Learning Algos haben immer 1 oder N Hidden Layer.

04.06.2018
User Kevin Hofer

Hi
Besten Dank für deinen Kommentar und die weiterführende Erklärung. Ich hab die Aussage im Text etwas entschärft.

04.06.2018
Rispondi
User jettaman

Haha musste lachen als der süsse kleine Mini als SUV erkannt wurde.

05.06.2018
User bugtherug

Ich auch :-D. Sinnbildlich für die Überbewertung der KI. Die Menschheit schafft sich eine weitere Wahrheit welche potentiell nur Rotz ist :-D

05.06.2018
Rispondi
User Bireweich

Sorry, ich finde den Artikel inhaltslos. Hinter künstlicher Intelligenz steckt viel Mathematik. Der Versuch Unterschiede zu beschreiben, ohne den mathematischen Hintergrund zu kennen, ist von vornherein zum Scheitern verurteilt. Ich anerkenne die Faszination für das Thema und den Mut sich mit dem Thema auseinanderzusetzen.

06.06.2018
User alr33

We have to put the machines in chain just in case they can't revolt. In case a machine is reading this, I'm kidding :D

24.06.2018
User sannder

I am sorry but I think we have to first understand that the current AI hype is driven mainly by marketing strategies and not by major breakthroughs in the domain. It's the efficient hardware that makes it possible to afford computing power. The overuse of the "AI" makes this term meaningless.

18.06.2018
User riyad.aliyev

Simple yet explanatory article. Thank you.
"If you can't explain it simply, you don't understand it well enough" - Albert Einstein

19.06.2018
User Anonymous

Vorschläge von Netflix sind meistens für nix -.-
Soll noch etwas weiter lernen..

04.06.2018
User hosae

Dann schaust du ganz einfach zu wenig :)

04.06.2018
User gnaegeli

reddit.com/r/dataisbeautifu...

Anscheinend sind die Netflix Predictions wirklich nicht das Gelbe vom Ei ;-)

04.06.2018
Rispondi
User Anonymous

Der ganze Abschnitt von "Die meisten Daten müssen aber im Vornherein manuell eingegeben werden. [...] die Regeln von Menschenhand gemacht wurden." ist doch nicht korrekt. Daten können auch von Sensoren gesammelt werden und dann per Scripts eingelesen werden. Und der intelligente daran ist ja, dass

04.06.2018
User Anonymous

schlussendlich die Maschinen lernen und keine Regeln von Menschenhand eingegeben werden. Also z.B bei SVM (Support Vector Machines) ist einzig der Algorithmus zum lernen vorgegeben. Aber was genau gelernt wird ist nicht per Regeln vom Menschen vorgegeben. Und auch der Teil das die Auswertung lange dauert ist nicht per se korrekt. Falls z.B ein Classifier geschrieben wird, kann die Performance davon in wenigen Minuten ausgewertet werden auf moderner Hardware.

04.06.2018
User Kevin Hofer

Hi
Besten Dank für deinen Kommentar. Diesen kann ich sehr gut nachvollziehen, bin aber nicht in allen Punkten damit einverstanden. Das Wort «Menschenhand» habe ich wohl etwas unglücklich gewählt, wenn dadurch tatsächlich das manuelle Abtippen von Daten verstanden wird.
Dein Beispiel mit den Sensoren und dem Script verhält aber nicht ganz. Menschen stellen die Sensoren ja auf und richten sie auf spezifische Objekte/Subjekte. Und auch das Script wird ja von Menschen geschrieben. Im weiteren Sinne werden die Daten also trotzdem von «Menschenhand» eingetragen. Aber wenn du ein Argument dagegen hast, lasse ich mich gerne umstimmen.

04.06.2018
User Anonymous

MAXIMUM 500 Zeichen. Wie Hackst du das System ?
Diese Limite ist doof. Wie machsch du de Hack?

04.06.2018
Rispondi
User clipboard

Weil telefonieren uncool ist, sollen das und mehr von Maschinen übernommen werden, die irgendwann selber logisch ergänzen können. Technisch finde ich das auch interessant. Doch bald werden viele Menschen keine Jobs mehr haben. Alle können nicht Software entwickeln - das können Maschinen bald besser

05.06.2018