Tech

Google, l’Intelligenza Artificiale e il deep learning

Ecco come l'Intelligenza Artificiale e il deep learning vengono utilizzati da Google

Gloria Esposito

Web/SEO copywriter, SEM Specialist

Ogni volta che si digita una domanda sul motore di ricerca di Google, questa viene “memorizzata” restituendo all’utente risposte pertinenti rispetto a ciò che sta chiedendo, che siano le indicazioni per arrivare al cinema o che siano prodotti che si stanno cercando.

Dietro al motore di ricerca c’è quindi un “cervello”- che lavora silenziosamente dietro le quinte, in grado di archiviare una moltitudine incredibile di dati e selezionarli al fine di dare delle risposte coerenti alle ricerche degli utenti: una sorta di ‘Big Brain’, insomma, che nella pratica si sostanzia nel team di ricerca Google Brain.

Il team, nel corso degli anni, ha lavorato a più di 1000 progetti di “apprendimento profondo” che hanno riguardato prodotti Google come Youtube, traduzioni, immagini e tantissimo altro. Con l’apprendimento profondo, i ricercatori possono fornire enormi quantità di dati in sistemi software chiamati reti neurali che imparano a riconoscere “autonomamente” dei modelli all’interno della vastità di informazioni che hanno a disposizione, in maniera molto più veloce di quanto potrebbero mai riuscire gli esseri umani.

L’apprendimento profondo e le sue enormi potenzialità

Il deep learning ha potenzialità pressoché illimitate in grado di rivoluzionare ogni settore industriale e lo stesso stesso Jeff Dean, uno dei cofondatori e leader del team di Google Brain, ha detto: “ci saranno profondi cambiamenti ora che i computer hanno aperto gli occhi” anche se ad oggi i network neurali – nonostante siano in grado di riconoscere schemi e modelli anche meglio degli esseri umani- non sono ancora, fortunatamente, in grado di pensare.

“Il modello di apprendimento umano è frutto per la maggior parte di apprendimento non supervisionato: quando sei piccolo osservi il mondo e poi ogni tanto ti vengono dati dei segnali esterni quali “quella è una giraffa” oppure “questa è una macchina”. La chiave corretta dell’apprendimento è nella combinazione tra apprendimento non supervisionato e supervisionato. Per quanto riguarda l’apprendimento automatico, dobbiamo usarla in maniera maggiore, ancora non ci siamo davvero arrivati.”

ha spiegato Jeff Dean in un’intervista rilasciata al Fortune e parte del suo pensiero può essere rintracciato in una delle sue più citazioni più pertinenti e ricche di significato: “Se non riesciuamo a comprendere le varie informazioni, diventerà molto difficile organizzarle.

LEGGI ANCHE: Mya, arriva il chatbox anche per i colloqui di lavoro

Per capire la portata e la complessità di cosa significhi “comprendere” nell’ambito dell’Intelligenza Artificiale, rimando a questa lezione dello stesso Jeff Dean dal titolo “Large-Scale Deep Learning for Intelligent Computer Systems” sul tema del deep learning tenutasi nell’ambito del Google Tech Talk lo scorso 7 Marzo 2016 presso il Campus di Seul.

L’apprendimento per rinforzo, l’AI e le sue possibili applicazioni

Eppure – ricordiamo – un grandissimo risultato è già stato ottenuto con la battaglia tra Alphago e Lee Sedol nell’incredibile match avvenuto tra l’Intelligenza Artificiale e il campione Lee Sedol in cui il programma ha battuto un essere umano nel gioco cinese del Go, tanto da far ritenere possibili scenari apocalittici di sostituzione delle macchina degli esseri umani.

LEGGI ANCHE: La morale di AlphaGo e Lee Sedol: l’I.A. sostituirà davvero il lavoro umano?

“L’idea alla base dell’apprendimento per rinforzo è questa: una persona non necessariamente sa quale azione intraprenderà in ogni occasione; vengono perciò esplorate diverse azioni che si potrebbero attuare e poi ne viene scelta una, quella che sembra essere l’idea migliore, poi si osserva come il mondo esterno reagisce. E’ quello che avviene in un gioco da tavolo quando si agisce a seconda del modo in cui l’avversario gioca. Alla fine, dopo un’intera sequenza di queste azioni si ottiene una sorta di segnale di ricompensa. L’idea è quindi quella di assegnare un credito o una penitenza per tutte le azioni che si sono scelte lungo la strada”

ha chiarito ancora il leader di Google Brain a Fortune, spiegando come mettere in pratica tutto questo sia ancora molto complicato, soprattutto laddove il set di azioni da poter compiere siano tante in ogni momento e non ci sia un risultato di vittoria/sconfitta ovvero lo stesso “output-ricompensa” non sia chiaro né univoco (come invece capita nella realtà a ogni essere umano).

Un problema di non facile risoluzione per l’apprendimento per rinforzo è dunque proprio selezionare quale risultato mostrare da parte del motore di ricerca in caso di una query digitata dall’utente e misurare il grado di apprezzamento di questo rispetto alla pertinenza o meno del risultato scelto.

“L’insieme di risultati di ricerca che possono essere mostrati in risposta a query diverse è  molto ampio e il segnale di ricompensa da seguire non è chiaro. Così come del resto non è ovvio se un utente apprezzi o meno il risultato di ricerca che gli compare davanti; questo è un esempio in cui l’apprendimento per  rinforzo forse non  è abbastanza maturo per operare di fronte a un ambiente incredibilmente non vincolato, in cui i segnali di ricompensa sono meno nitidi.”

ha concluso Jeff Dean, senza però dimenticare di comunicare quali sono le attuali prospettive di utilizzo dell’AI nei prodotti che le persone usano normalmente:

“Utilizzando l’apprendimento con rinforzo abbiamo collaborato soprattutto con DeepMind –[n.d.r. la startup AI comprata da Google nel 2014]- e poi, su alcune ricerche, con il nostro team Map che voleva essere in grado di leggere tutti i nomi commerciali e cartelli che apparivano nelle immagini stradali per comprendere meglio il mondo e sapere se un determinato negozio fosse una pizzeria o qualsiasi altra cosa. Attraverso la lettura del testo in queste immagini, è possibile infatti formare un modello di apprendimento automatico che poi può essere ancora utilizzato per altri studi e in altri campi come le analisi satellitari per stimare, ad esempio, la posizione del solare con gli impianti a pannelli sui tetti”.

Tanti sono quindi i settori di applicazione dell’apprendimento profondo per le macchine e ancora, moltissime risultano le evoluzioni  e le opportunità applicative per la ricerca nel campo dell’Intelligenza Artificiale che, a ritmo serrato, sta ottenendo risultati sempre più incredibili.

LEGGI ANCHE: Atlas, il nuovo robot umanoide presentato alla Boston Dynamics