Qual è la differenza tra machine learning e deep learning? Una guida in linguaggio semplice
Uno è il campo ampio, l'altro è una tecnica potente al suo interno. Ecco esattamente come si relazionano.
Il machine learning è un ramo dell'IA in cui i computer imparano i modelli dai dati invece di seguire regole scritte manualmente. Il deep learning è un metodo specifico all'interno del machine learning che utilizza reti stratificate vagamente ispirate dal cervello. Ogni sistema di deep learning è machine learning, ma la maggior parte dei sistemi di machine learning non è deep learning.
Come funziona effettivamente il machine learning tradizionale?
Il machine learning classico fornisce a un computer dati più un insieme di caratteristiche che gli umani hanno già deciso siano importanti. Ad esempio, per individuare le email di spam, un programmatore potrebbe dire al sistema di prestare attenzione a parole come "gratis" e "urgente" e al dominio del mittente.
L'algoritmo impara quindi quali combinazioni di quelle caratteristiche scelte manualmente prevedono meglio lo spam. Funziona bene quando gli esperti sanno già cosa cercare. Lo svantaggio è che qualcuno deve fare quel lavoro di selezione delle caratteristiche da esperto in anticipo, e può richiedere molto tempo.
I metodi classici comuni includono gli alberi decisionali (regole nello stile di un diagramma di flusso che il modello costruisce da solo), la regressione logistica (assegnazione di un punteggio alla probabilità di un risultato) e le macchine a vettori di supporto (tracciamento del confine migliore tra le categorie nei dati). Ognuno è abbastanza trasparente da permetterti solitamente di ispezionare perché ha preso una decisione.
Quindi cosa rende il deep learning diverso?
Il deep learning salta completamente il passaggio delle caratteristiche realizzate a mano. Gli fornisci dati grezzi, come pixel, campioni audio o parole, e scopre da solo quali modelli contano passando i dati attraverso molti strati sovrapposti di semplici operazioni matematiche. Questi stack si chiamano reti neurali.
Ogni strato apprende una caratteristica leggermente più astratta. In una rete di riconoscimento delle immagini, gli strati iniziali notano i bordi, gli strati intermedi notano le forme e gli strati successivi notano gli oggetti. Google DeepMind descrive questo apprendimento gerarchico della rappresentazione come ciò che ha permesso ad AlphaFold di prevedere le strutture proteiche che hanno bloccato i metodi tradizionali per decenni.
Il compromesso: il deep learning di solito necessita di vastamente più dati e potenza di calcolo per l'addestramento, e le decisioni che prende sono più difficili da spiegare.
Un confronto fianco a fianco
| Caratteristica | Machine learning classico | Deep learning |
|---|---|---|
| Selezione delle caratteristiche | L'esperto umano le sceglie | Il modello le trova automaticamente |
| Dati necessari | Centinaia a migliaia di esempi | Spesso milioni di esempi |
| Costo di calcolo | Basso a moderato | Alto (spesso richiede GPU) |
| Spiegabilità | Solitamente leggibile | Spesso una "scatola nera" |
| Migliore per | Tabelle strutturate, dataset piccoli | Immagini, audio, testo, video |
| Algoritmo di esempio | Random forest | Rete neurale convoluzionale |
Puoi darmi un esempio reale di entrambi in azione?
Certo. Un team di frode bancaria potrebbe utilizzare un modello di gradient-boosting classico (un metodo di machine learning che combina molti piccoli alberi decisionali) per contrassegnare le transazioni sospette, perché il ragionamento del modello può essere mostrato ai regolatori. Nel frattempo, la funzione di sblocco facciale del tuo telefono utilizza il deep learning, specificamente una rete neurale convoluzionale, perché il riconoscimento di un volto dai pixel grezzi in condizioni di illuminazione variabili è esattamente il tipo di problema complicato per il quale il deep learning è stato creato.
Il deep learning vince sempre?
Affatto. Quando il tuo dataset è piccolo o i tuoi dati si trovano in colonne e righe ordinate, il machine learning classico spesso batte il deep learning e si addestra in secondi invece che in ore. La ricerca della Carnegie Mellon e di altre istituzioni pubblicata su arXiv mostra che i modelli basati su alberi superano frequentemente il deep learning su dati tabulari strutturati. Scegliere lo strumento giusto dipende dal tipo di dati, dal tuo budget e dal fatto che tu debba spiegare la decisione a una persona.
Quanto costa utilizzare questo?
Per il machine learning classico, librerie open-source gratuite come scikit-learn funzionano su un laptop standard. Il deep learning è un'altra storia. L'addestramento di un grande modello di immagini o linguaggio può costare migliaia di dollari in calcolo cloud. L'API di OpenAI ti consente di accedere a modelli di deep learning pre-addestrati per una tariffa per token (un token è approssimativamente tre quarti di una parola), quindi paghi per quello che usi piuttosto che per l'addestramento da zero.
Ci sono pericoli per la privacy?
Con entrambi gli approcci, se invii i tuoi dati a un servizio cloud per addestrare o eseguire un modello, quel provider può vederli. Punto e basta. Controlla se il servizio utilizza i tuoi dati per migliorare i suoi stessi modelli, perché alcuni lo fanno per impostazione predefinita. Per i dati sensibili, cerca opzioni on-device o contratti che vietano esplicitamente l'addestramento sui tuoi input. L'AI Act dell'UE classifica determinati usi di questi sistemi come ad alto rischio, il che comporta obblighi aggiuntivi di trasparenza e gestione dei dati.
Domande comuni
Una rete neurale è la stessa cosa del deep learning?
Quasi, ma non del tutto. Una rete neurale con solo uno o due strati è tecnicamente superficiale e conta come machine learning regolare. Il deep learning significa specificamente reti neurali con molti strati, tipicamente più di tre, dove quella profondità è ciò che dà al metodo il suo potere.
Devo comprendere entrambi per utilizzare gli strumenti di IA oggi?
Non proprio. La maggior parte degli strumenti di IA pronti all'uso gestiscono la complessità per te. Conoscere la differenza ti aiuta a scegliere lo strumento giusto e a comprendere perché un sistema potrebbe fallire, ma non devi costruire nessuno dei due da zero per trarne beneficio.
