I settori dell’apprendimento profondo e dell’intelligenza artificiale (AI) sono in fase di enorme sviluppo e si registrano sempre nuovi progressi tecnologici nell’ambito tech.
L’emergere del Federated Learning, delle general adversarial networks (GAN), dell’XAI, dell’apprendimento per rinforzo e dell’apprendimento per trasferimento sono cinque delle nuove idee più promettenti in questo campo.
Queste tecnologie hanno il potenziale per cambiare diverse applicazioni del deep learning. Dall’identificazione delle immagini ai giochi, e offrono a ricercatori e sviluppatori nuove prospettive interessanti.
Indice dei contenuti
Federated Learning (Apprendimento federato)
Un metodo di apprendimento automatico noto come apprendimento federato consente a diversi computer o altri dispositivi di lavorare insieme su un singolo modello senza dover prima condividere i propri dati con un server centralizzato. Questa strategia è particolarmente utile in circostanze in cui la protezione della riservatezza dei dati è una priorità.
Ad esempio, Google ha migliorato l’accuratezza della sua tastiera di testo predittivo utilizzando l’apprendimento federato. Senza compromettere la privacy dei suoi clienti. I modelli per l’apprendimento automatico sono spesso generati utilizzando fonti di dati centralizzate. Il che richiede la condivisione dei dati degli utenti con un server centrale.
Questo è un prerequisito per lo sviluppo di modelli di deep learning. Questa tattica può dare origine a problemi di privacy. Nonostante il fatto che i consumatori possano provare disagio per il fatto che i loro dati siano raccolti e conservati su un unico server.
Le soluzioni del Federated Learning
L’apprendimento federato offre una soluzione a questo problema, poiché consente agli utenti di addestrare i modelli utilizzando i dati memorizzati localmente sui loro dispositivi, anziché trasmetterli a un server centralizzato.
Poiché i dati di addestramento rimangono sui dispositivi degli utenti, non è necessario trasferire enormi quantità di dati a un server centralizzato. Di conseguenza, i requisiti del sistema in termini di potenza di calcolo e spazio di archiviazione sono stati notevolmente ridotti.
General Adversarial Networks (GAN) ossia le reti avversarie generative
Le general adversarial networks sono una sorta di rete neurale che può essere utilizzata per produrre nuovi dati più realistici in base ai dati già raccolti. Ad esempio, le GAN sono state utilizzate per creare immagini realistiche di una varietà di soggetti. Tra i quali spiccano esseri umani, animali e persino paesaggi.
Per far funzionare le GAN, vengono contrapposte due reti neurali. Una delle reti crea dati fasulli, mentre l’altra rete cerca di determinare se i dati sono reali o meno.
Explainable AI (XAI)
Un approccio all’intelligenza artificiale chiamato Explainable AI (Intelligenza artificiale spiegabile) lavora per rendere i modelli di apprendimento automatico più comprensibili e trasparenti. È essenziale avere la XAI perché può garantire che i sistemi di IA emettano giudizi oggettivi e giusti. Di seguito andiamo ad illustrare una possibile applicazione della XAI:
Immaginiamo per un momento che un istituto finanziario utilizzi algoritmi di apprendimento automatico per fare previsioni sulla possibilità che un potenziale mutuatario non sia in grado di rimborsare il prestito che ha richiesto. Nel caso degli algoritmi black-box tradizionali, la banca non sarebbe a conoscenza del processo decisionale dell’algoritmo e non sarebbe in grado di spiegarlo all’individuo che sta richiedendo un prestito.
Tuttavia, con l’aiuto di XAI, l’algoritmo è stato in grado di fornire una spiegazione della sua decisione, che ha permesso alla banca di verificare che la sua decisione fosse fondata su ragioni legittime piuttosto che su informazioni errate o discriminatorie. L’algoritmo può menzionare, ad esempio, che ha generato un punteggio di rischio basato sul reddito e sulla storia lavorativa del richiedente, oltre che sul suo punteggio di credito.
Questa apertura e spiegazione può contribuire a rafforzare la responsabilità, che a sua volta può portare a un miglioramento del processo decisionale. Inoltre, può contribuire ad aumentare la fiducia nei sistemi di intelligenza artificiale.
Apprendimento tramite rinforzo (Learning through reinforcement)
L’apprendimento tramite rinforzo è un tipo di apprendimento automatico che consiste nell’insegnare ad agenti artificialmente intelligenti ad apprendere attraverso l’uso di critiche e ricompense. Questa tattica ha trovato utilità in un’ampia gamma di applicazioni, tra cui la robotica, i giochi e persino la finanza. Ad esempio, AlphaGo di DeepMind ha utilizzato questa strategia per migliorare continuamente le sue partite e alla fine ha sconfitto i migliori giocatori umani di Go, dimostrando l’efficienza dell’apprendimento per rinforzo in compiti decisionali complicati.
Trasferimento della conoscenza (Transferring Knowledge)
L’apprendimento per trasferimento è una tecnica di apprendimento automatico che prevede l’applicazione di modelli precedentemente appresi per gestire problemi nuovi. Questa strategia è particolarmente utile nelle situazioni in cui la quantità di dati disponibili per una nuova sfida è limitata.
Ad esempio, i ricercatori hanno utilizzato l’apprendimento per trasferimento per adattare i modelli di riconoscimento delle immagini creati per un tipo specifico di immagine (come i volti) a un altro tipo di immagine, come gli animali. Questi modelli sono stati inizialmente progettati per i volti, poiché i volti sono la forma più comune di immagine.