Deep Learning

Che cos'è e perché è importante

Il deep learning nel mondo di oggi

L'impatto del deep learning è piuttosto significativo. E siamo solo all'inizio.

Il deep learning con SAS e Python

DLPy è un pacchetto open source che i data scientist possono scaricare per applicare algoritmi di deep learning SAS a dati di immagini, testo e audio. È stato progettato per risolvere problemi di computer vision, elaborazione del linguaggio naturale, forecasting ed elaborazione del linguaggio parlato.

Leggi il post del blog

In che modo SAS utilizza il deep learning

Questa guida confronta diversi modelli di rete neurale e spiega come usarli, passo dopo passo. Ti introdurrà alle tecniche di deep learning, alle sue applicazioni e al modo in cui SAS supporta la creazione di modelli di reti neurali profonde.

Scarica il documento

Come utilizzare il deep learning per l'embedding delle immagini 

I modelli di embedding vengono utilizzati per ridurre la dimensionalità dei dati di input, come le immagini.  Quando si utilizza un modello di embedding, le immagini di input vengono convertite in vettori a bassa dimensione, che sono più facilmente utilizzabili per altre attività di computer vision. Il segreto per un embedding di successo è addestrare il modello a convertire immagini simili in vettori simili.

Guarda il video

Chi usa il deep learning?

A un osservatore esterno, il deep learning potrebbe apparire ancora in fase di sviluppo, in quanto i ricercatori informatici e i data scientist ne stanno tuttora testando le capacità. Ma questo ramo del machine learning offre numerose applicazioni pratiche, attualmente già in uso in vari settori. Inoltre, grazie ai continui progressi della ricerca, ne saranno ben presto disponibili molte altre. Tra gli impieghi più diffusi figurano:

Retail

Nel settore retail è importante saper anticipare le attese dei clienti. E grazie al deep learning questo è possibile. Utilizzando i dati dei clienti, insieme al riconoscimento vocale e all'elaborazione del linguaggio naturale, i rivenditori riescono a prevedere le preferenze e le esigenze dei clienti e a ridurre le scorte inutili. Con questi dati, inoltre, è possibile trovare il prodotto di migliore qualità al prezzo più conveniente. In definitiva, tutto ciò aiuta i rivenditori a soddisfare i loro clienti e a risparmiare tempo e denaro.

Banche

Il deep learning consente alle banche di identificare modelli nei dati non strutturati e di migliorare il processo decisionale in tutta l'azienda. Nella gestione del rischio, il deep learning aiuta le banche a interrogare più fonti e a stabilire limiti di prestito adeguati con maggiore sicurezza. Il tutto senza compromettere l'equità. Il deep learning, inoltre, svolge un ruolo fondamentale nell'individuare e prevenire le frodi e i reati finanziari. Consente, ad esempio, di monitorare i video in tempo reale, di identificare attività sospette nelle filiali o agli sportelli bancomat e di prevenire il furto di un account se il profilo biometrico vocale non corrisponde al cliente effettivo. Anche l'esperienza utente risulta migliorata, grazie alla capacità del deep learning di analizzare il sentiment e di garantire che i problemi segnalati tramite i canali social siano identificati e risolti in modo rapido.

Manifatturiero

L'industria manifatturiera sfrutta il deep learning e le altre soluzioni AI per migliorare la qualità complessiva del settore. Una delle voci di spesa più elevate in questo settore è la manutenzione delle attrezzature, ma grazie al deep learning è possibile ridurre o evitare i tempi di inattività di risorse e attrezzature essenziali. Tramite il deep learning e funzionalità come la computer vision, si riescono a identificare i problemi di qualità utilizzando il rilevamento degli oggetti, il monitoraggio dei processi e il riscontro delle anomalie. L'industria manifatturiera può così ottenere risparmi sui costi, riducendo i tempi di inattività non programmati, migliorando lo sviluppo, l'efficienza e la qualità dei prodotti e rafforzando la sicurezza generale dei dipendenti.

Health Care

Grazie al deep learning le aziende che operano in ambito sanitario garantiscono una migliore assistenza ai pazienti e una maggiore efficienza operativa. Il personale sanitario può analizzare i dati in modo più rapido e preciso, sfruttando il deep learning. Può inoltre creare cartelle cliniche elettroniche più velocemente e con meno errori, utilizzando il riconoscimento vocale con gli strumenti di elaborazione del linguaggio naturale. Infine, le reti neurali, associate al riconoscimento delle immagini, sono in grado di analizzare le immagini mediche, anziché limitarsi a leggerle, aiutando così il personale sanitario, ad esempio, a identificare i tumori e a monitorarne la progressione.

Trasporti e Logistica

Il deep learning può aiutare il settore dei trasporti e della logistica ad aumentare la produttività e a migliorare la pianificazione operativa. Usando un software predittivo, le aziende possono prevedere i potenziali guasti e aggiornare le riparazioni programmate dei camion per ridurre i costi operativi. Oltre alla manutenzione predittiva, il deep learning e l'AI possono tracciare i veicoli in tempo reale, consentendo alle aziende di trasporto di individuare e monitorare la velocità della propria flotta all'istante. Tutto ciò è possibile grazie alla precisione e alla velocità del deep learning.

Pubblica Amministrazione

Gli enti pubblici possono utilizzare il deep learning per migliorare il rilevamento delle frodi tramite l'analisi della calligrafia e ottimizzare la gestione del territorio e dell'acqua sfruttando il riconoscimento delle immagini. Con il deep learning, inoltre, è possibile comprendere meglio le preferenze dei cittadini attraverso la traduzione del sentiment in linguaggio naturale. Si può anche ridurre la spesa per le infrastrutture utilizzando funzionalità di manutenzione predittiva. Insomma, il deep learning consente agli enti pubblici di risolvere problemi in precedenza troppo complessi da affrontare.

Utility

Con il deep learning è possibile ricavare più valore dai numerosi tipi di dati alla base delle operazioni di un call center. Ma ci sono altri modi in cui il deep learning può aiutare le aziende erogatrici di servizi essenziali, come ad esempio la raccomandazione di azioni correttive specifiche per la manutenzione di linee e attrezzature, la gestione delle aree verdi e una miriade di funzioni di previsione (dalla previsione delle vendite e del carico netto alle previsioni di carico e altro ancora). In futuro, insomma, il deep learning giocherà un ruolo fondamentale nel settore delle utility.

Come funziona il deep learning 

Il deep learning cambia il tuo modo di affrontare le sfide risolvibili con gli analytics. Mentre prima si diceva al computer come risolvere un determinato problema, ora lo si addestra a risolvere il problema stesso.

 

Rappresentazione delle caratteristiche

Il deep learning introduce un cambio di paradigma nella costruzione dei modelli, perché segna il passaggio dall'ingegneria delle caratteristiche alla rappresentazione delle caratteristiche. 

Layer del deep learning

Invece di utilizzare le variabili note per prevedere le incognite, il deep learning utilizza i layer dei dati per riconoscerne le caratteristiche latenti. 

I risultati del deep learning

Il deep learning è in grado di fornire un sistema predittivo che generalizza bene, si adatta con facilità e migliora di continuo grazie all’immissione di nuovi dati. Non è più necessario adattarsi a un modello. È invece possibile addestrarlo a un compito.

L'approccio tradizionale agli analytics consiste nell'utilizzare i dati a disposizione per progettare funzionalità da cui derivare nuove variabili, quindi selezionare un modello analitico e infine stimare i parametri (o le incognite) di quel modello. Queste tecniche possono dare origine a sistemi predittivi che non generalizzano bene, poiché la completezza e la correttezza dipendono dalla qualità del modello e dalle sue caratteristiche. Ad esempio, se si sviluppa un modello di frode con il feature engineering, si parte da un insieme di variabili da cui probabilmente si ricaverà un modello utilizzando le trasformazioni dei dati. Ci si può ritrovare con un modello che dipende da 30.000 variabili. A quel punto, occorre dare una forma al modello, individuare tra le variabili quelle significative e così via. Se si aggiungono ulteriori dati, occorre ripetere il lavoro daccapo.

Il nuovo approccio basato sul deep learning consiste nel sostituire la formulazione e la specificazione del modello con caratterizzazioni gerarchiche (o strati), che imparano a riconoscere le caratteristiche latenti dei dati dalle regolarità negli strati.