Uomo vs. macchina: l'apprendimento profondo

Uomo vs. macchina

Le macchine si distinguono per la loro capacità di eseguire un numero elevato di mansioni diverse. I computer, per esempio, non hanno rivali nello svolgimento di calcoli matematici. Perfino il più lento dei personal computer, oggi, ha una potenza di calcolo di gran lunga maggiore di quella dell'essere umano medio. A titolo di esempio, l'iPhone 4 di Apple, diffuso nel 2010, aveva la potenza di calcolo per eseguire all'incirca 1,6 miliardi di operazioni in virgola mobile al secondo. Com'è facile immaginare, da allora la potenza di calcolo non ha fatto che aumentare. Naturalmente, la matematica non è l'unico campo di eccellenza dei computer. Per decenni, le macchine sono riuscite a sconfiggere i giocatori di scacchi più forti al mondo; l'esempio più famoso rimane la sfida Deep Blue-Kasparov, risalente a più di 20 anni fa.

Tuttavia, sebbene le macchine eccellano in determinate circostanze, ne esistono altre in cui falliscono miseramente. A quanto pare, i computer moderni funzionano alla perfezione solo entro un insieme di regole formalizzate. Prendiamo ad esempio il gioco degli scacchi. Benché esistano centinaia di migliaia di strategie diverse che un giocatore può mettere in campo durante una partita, le regole del gioco sono scolpite nella pietra. C'è un numero limitato di pezzi che possono muoversi entro uno spazio e secondo traiettorie anch'essi limitati. Sono proprio questi limiti, le regole del gioco, a far sì che un programmatore informatico possa insegnare a un computer a giocare nel migliore dei modi. Allo stesso modo, la matematica è un ambito che lascia davvero poco spazio all'interpretazione. Formule ed equazioni hanno una sola risposta corretta (sia che si tratti di numeri o di valori di output), e il percorso per giungere a questa risposta è governato da una serie di regole fortemente formalizzate.

Nelle aree in cui gli insiemi di regole formalizzate sono difficili o impossibili da individuare, l'intelligenza umana regna ancora suprema. Provate a chiedere a un bambino piccolo se in una fotografia è raffigurato un cane o un gatto. La maggior parte saprà rispondere correttamente. Ora, è improbabile che la stessa domanda fatta a una macchina dia una risposta coerente, figuriamoci una corretta. Gli esseri umani imparano in maniera diversa dalle macchine. Noi applichiamo le nostre conoscenze in modi differenti, ed è per questa ragione che siamo bravissimi a svolgere mansioni impossibili per una macchina.

Nell'universo dell'apprendimento profondo

L'apprendimento profondo è quel campo di studi informatici che mirano a dotare le macchine di una capacità di pensiero più simile a quella dell'essere umano. Per dirla in modo semplice, il suo obiettivo principale è trasmettere alle macchine la capacità di ‘pensare’ e ‘imparare’. Come teoria, l'apprendimento profondo è in circolazione da decenni. Tuttavia, solo di recente l'hardware dei computer ha raggiunto la velocità sufficiente per supportare l'attuazione pratica dei modelli di apprendimento profondo.

Un modello di apprendimento profondo è un'applicazione software progettata per simulare il modo in cui l'essere umano pensa ed elabora le informazioni. Come succede per lo sviluppo delle applicazioni tradizionali, anche nel caso dei modelli di apprendimento profondo sono necessari sviluppatori (data scientist, esperti di statistica, ecc.) capaci di individuare quelle variabili che in un insieme di dati potrebbero influire sul risultato o sulla decisione elaborati dal modello. Diversamente da quanto accade nei software tradizionali, tuttavia, le relazioni tra le variabili di input e il risultato, o i risultati, non si definiscono nel corso dello sviluppo iniziale. Viceversa, i modelli di Apprendimento profondo ‘imparano’ queste regole basate sulle informazioni trovate all'interno dello stesso insieme di dati. Il metodo impiegato dall'Apprendimento Profondo per ‘imparare’ le regole formali e le relazioni nell'ambito di un problema è complesso e di natura altamente matematica.

Senza impantanarci nei grovigli della teoria dell'apprendimento profondo, possiamo comunque riconoscere che questa tecnologia presenta alcuni vantaggi. Per prima cosa, i modelli di apprendimento profondo sono capaci di individuare le relazioni senza bisogno di definire un insieme di regole formali e di relazioni al momento dello sviluppo. Ciò significa che i modelli di Apprendimento Profondo sono in grado individuare relazioni che all'essere umano potrebbero essere sfuggite. Vuol dire anche che i modelli di Apprendimento Profondo sono più flessibili dei loro omologhi sviluppati in modo tradizionale. In un modello di Apprendimento Profondo, se un nuovo punto dati contrasta con una regola esistente, entrambi possono essere valutati in modo critico, e il modello aggiornato automaticamente, laddove necessario.

Applicazioni dell'apprendimento profondo nel settore della produzione

Prendiamo in considerazione alcuni esempi concreti di come l'apprendimento profondo potrebbe cambiare l'assetto dell'industria manifatturiera così come la conosciamo. Immaginate un software che sappia individuare la maniera migliore di organizzare e programmare le operazioni all'interno del vostro ambiente di produzione. Cosa succederebbe se lo stesso software fosse in grado di incamerare informazioni e decidere se sia opportuno o meno programmare le modifiche necessarie? Ancora meglio, cosa succederebbe se lo stesso software fosse capace di apportare modifiche in tempo reale alla programmazione, basandosi sui dati ricevuti dall'officina? Se potesse aggiornare l'anagrafica dei fornitori, quella dei clienti, e gestire la logistica senza richiedere alcun intervento umano? Con l'apprendimento profondo, questo magico software diventa qualcosa di veramente realizzabile.

Ecco un altro esempio concreto. Immaginate che le vostre attrezzature di produzione abbiano la capacità di determinare il momento in cui si potrebbe verificare un difetto. Immaginate che, prima ancora che il potenziale difetto si verifichi, esse possano intraprendere automaticamente un'azione correttiva, impedendo in assoluto al difetto di presentarsi. E se le macchine potessero analizzare le proprie prestazioni e decidere automaticamente il momento migliore per sottoporsi a manutenzione preventiva? E se una macchina potesse dirvi quale problema ha e come risolverlo? Di nuovo, con l'apprendimento profondo, quanto detto non rimane solo un sogno, ma diventa una possibilità ben definita.

Una tecnologia per il futuro

Sebbene le possibili applicazioni dell'apprendimento profondo siano esaltanti e virtualmente infinite, esistono ancora grossi ostacoli alla sua effettiva adozione nel settore produttivo. In primis, anche se la maggior parte dei produttori registra e memorizza grandi quantità di dati, molti di questi ultimi non sono ben etichettati o classificati. Perché l'apprendimento profondo sia davvero efficace, gli insiemi di dati devono essere omogenei, ben etichettati e comprensibili per le applicazioni di apprendimento profondo. Un altro grande ostacolo per l'industria è rappresentato dall'integrazione di una nuova tecnologia, com'è l'apprendimento profondo, nelle esistenti Manufacturing Operations. In che modo si possono impiegare gli spunti raccolti dall'applicazione dell'apprendimento profondo nei processi esistenti? Come si possono integrare le applicazioni di apprendimento profondo in software talvolta vecchi di anni, o perfino di decenni? Queste sono domande che ogni produttore deve necessariamente porsi, oggi, poiché, che scelga di crederci o no, i suoi competitor lo faranno sicuramente. Resta il fatto che l'adozione di Industry 4.0, il concetto di apprendimento profondo e le tecnologie che ne derivano determineranno i futuri leader del settore industriale.