Che cos’è il deep learning e in che cosa supera il machine learning classico
Il deep learning è una famiglia di tecniche di machine learning basate su reti neurali artificiali con più livelli (da qui l’aggettivo «deep», profondo). A differenza degli algoritmi di machine learning classico, che richiedono a un esperto di selezionare e costruire manualmente le feature rilevanti (feature engineering), le reti neurali profonde apprendono in automatico le rappresentazioni più utili a partire dai dati grezzi.
Questa capacità di apprendere rappresentazioni è il motivo per cui il deep learning prevale nei problemi in cui i dati sono immagini, audio, testo o segnali complessi: ambiti in cui definire manualmente le feature rilevanti è estremamente difficile o impossibile.
Nei problemi con dati tabellari strutturati, il tipo più comune nell’analisi aziendale, gli algoritmi di machine learning classico come il gradient boosting restano competitivi e spesso preferibili, perché più interpretabili e meno esigenti in termini di dati e potenza di calcolo.
Applicazioni aziendali del deep learning
Visione artificiale: classificazione di immagini, rilevamento di oggetti, segmentazione semantica e stima della posa. Applicazioni dirette nel controllo qualità industriale, nell’analisi di immagini mediche, nella sicurezza perimetrale e nell’automazione logistica.
Elaborazione del linguaggio naturale (NLP): analisi del sentiment nelle recensioni dei clienti, classificazione automatica dei documenti, estrazione di informazioni da contratti o fatture, chatbot in grado di comprendere il contesto e traduzione automatica.
Riconoscimento vocale: trascrizione automatica delle chiamate ai call center, sistemi di comando vocale in ambito industriale e analisi delle conversazioni per la qualità del servizio.
Serie temporali: previsione della domanda, rilevamento di anomalie nei segnali dei sensori industriali e previsione della produzione di energia. Le architetture LSTM e Transformer hanno mostrato vantaggi rispetto ai metodi statistici classici nelle serie con andamenti complessi e non lineari.
I framework principali: PyTorch e TensorFlow
I due framework dominanti nel deep learning sono:
PyTorch: sviluppato da Meta, è lo standard di fatto nella ricerca e negli ultimi anni ha assunto un ruolo guida anche in produzione. Il suo design dinamico (define-by-run) facilita il debug e la prototipazione rapida. È il framework preferito per sviluppare modelli da zero.
TensorFlow/Keras: sviluppato da Google, con un ecosistema maturo per la messa in produzione (TensorFlow Serving, TensorFlow Lite per dispositivi mobili ed edge). L’API Keras riduce in modo significativo la curva di apprendimento per i casi d’uso standard.
Hugging Face Transformers: libreria costruita su PyTorch e TensorFlow che dà accesso a migliaia di modelli preaddestrati per NLP, visione e audio. Per la maggior parte dei casi d’uso aziendali su testo e immagini, il punto di partenza corretto è il fine-tuning di un modello preaddestrato, non l’addestramento da zero.
Requisiti hardware e alternative cloud
L’addestramento dei modelli di deep learning richiede GPU. Le opzioni sono:
GPU nel cloud: AWS (istanze P3/P4, GPU A100), Azure (serie NC/ND), Google Cloud (TPU, GPU A100). Pagamento a consumo, senza investimento iniziale. Adatto alla maggior parte dei progetti con addestramento periodico.
GPU on-premise: giustificabile quando il volume di addestramento è elevato e costante o quando i dati sono troppo sensibili per uscire dall’azienda. NVIDIA A100/H100 per un addestramento di livello professionale.
Inferenza in produzione: i modelli addestrati su GPU possono di solito eseguire l’inferenza su CPU o su hardware edge specializzato, molto più economico. Nella maggior parte dei casi non serve una GPU permanente per fornire previsioni in produzione.
Quando il deep learning non è la risposta giusta
Il deep learning ha costi reali: richiede più dati etichettati del machine learning classico, più potenza di calcolo, più esperienza per addestrare i modelli e farne il debug, e produce modelli meno interpretabili. Per problemi con dati tabellari ben strutturati, volumi di dati moderati o requisiti normativi di spiegabilità (banche, assicurazioni, sanità), gli algoritmi di machine learning classico sono spesso la scelta più prudente.
Domande frequenti
Quanti dati servono per addestrare un modello di deep learning? Dipende molto dal problema e dal fatto di partire o meno da un modello preaddestrato. Addestrare da zero una rete di classificazione di immagini può richiedere decine di migliaia di immagini per classe. Il fine-tuning di un modello preaddestrato come CLIP o ResNet può invece dare risultati accettabili con centinaia o perfino decine di esempi per classe. Per l’NLP, i modelli preaddestrati di Hugging Face permettono in molti casi una personalizzazione con poche centinaia di esempi.
Che cos’è il transfer learning e perché è importante per le aziende? Il transfer learning consiste nel prendere un modello già addestrato su un problema generale (per esempio il riconoscimento di milioni di immagini naturali) e adattarlo a un problema specifico dell’azienda (per esempio rilevare difetti su componenti metallici). Questa tecnica riduce drasticamente il volume di dati e la potenza di calcolo necessari, rendendo il deep learning accessibile ad aziende che non hanno le risorse dei grandi gruppi tecnologici.
I modelli di deep learning sono spiegabili? È uno dei loro limiti principali nei settori regolamentati. Le reti neurali profonde sono intrinsecamente opache: è difficile spiegare perché il modello abbia preso una determinata decisione. Esistono tecniche di spiegabilità post-hoc (SHAP, LIME, Grad-CAM per la visione) che forniscono un’approssimazione della spiegazione, ma non sostituiscono l’interpretabilità nativa dei modelli di machine learning classico nelle decisioni ad alto impatto.