Intelligenza Artificiale, Machine Learning e Deep Learning: nozioni di base e differenze per operatori sanitari

L’inizio degli anni 2000 sarà ricordato come quel periodo storico in cui si è sviluppata l’era moderna dell’intelligenza artificiale.

Grazie al contributo di grossi player come Google, Amazon, Facebook, Apple ma anche a molte piccole aziende del settore Tech e di una moltitudine di start up innovative in tutto il mondo, termini come intelligenza artificiale, machine learning e deep learning hanno iniziato a diffondersi tra le persone e a venire utilizzati, spesso, a sproposito.

In relazione al fatto che il settore della sanità (“heathcare” in inglese) sarà, con altissima probabilità, letteralmente travolto dalle nuove tecnologie dell’intelligenza artificiale, ho scritto questa breve guida rivolta specificatamente agli operatori sanitari.

Intelligenza artificiale (IA), machine learning (ML) e deep learning (DL) sono spesso usati come sinonimi o mischiati assieme per rendere un discorso “roboante” e saturo di parole chiave moderne e affascinanti ma, concretamente, questi tre termini indicano cose piuttosto diverse e specifiche.

Immaginate che IA, ML e DL siano immaginabili come tre sottoinsiemi:

L’intelligenza artificiale, l’area più grande ed esterna che contiene le altre due, è definibile come la programmazione di un computer al fine di far eseguire compiti e risolvere problemi in una maniera che potrebbe essere tipica di un operatore umano.

Abbiamo poi il concetto di intelligenza artificiale generale, obiettivo molto ambizioso e tutt’altro che immediato nella sua realizzazione, che avrebbe le caratteristiche di poter essere utilizzata per risolvere problemi eterogenei tra loro in vari campi anche molto diversi (ad esempio medicina e archeologia); un intelligenza artificiale generale dovrebbe essere in grado di emulare un essere umano in tutto e per tutto.

Invece l’intelligenza artificiale ristretta riguarda la possibilità di costruire sistemi informatici che si dedicano a compiti specifici o, addirittura, super specifici (ad esempio il riconoscimento di una lesione tumorale in anatomia patologica).

Nel realizzare un sistema di intelligenza artificiale il machine learning rappresenta uno dei possibili metodi di affrontare il problema, ovvero il machine learning è un sottoinsieme specifico del più generale concetto di intelligenza artificiale.

Il machine learning, che può essere basato sul concetto di rete neurale ma non necessariamente, si basa sull’ipotesi di utilizzare un grandissimo numero di dati al fine di definire un classificatore, ovvero un software contenuto in una macchina col fine di stravolgere il canonico modo di programmare.

Nel machine learning il software è creato in modo tale da auto definirsi sulla base dell’esposizione ai dati pertinenti al problema che vogliamo affrontare; si parla in questo caso di creare dei classificatori che comprendano in che rapporto si trovano i dati che noi forniamo rispetto ai risultati che noi proponiamo.

Ad esempio se io sottopongo ad un algoritmo di machine learning tutti i dati di una serie storica in ambito finanziario, alla fine la macchina potrà essere in grado di prevedere il prezzo di una tale azione sul mercato con modalità molto simili a quelle degli operatori finanziari che l’avranno addestrata.

Per fare questo il machine learning potrà sicuramente usare una rete neurale ma anche funzioni matematiche più classiche come rette, funzioni polinomiali, clustering o funzioni statistiche.

Con il machine learning è possibile fare alcuni tipi di previsioni, oppure riconoscere un volto o altre forme, essere di aiuto nelle vendite su alcuni siti come Amazon.

Invece che cosa intendiamo quando parliamo di Deep Learning?

Il deep learning è un sottoinsieme del machine learning, ovvero una tecnica ancora più specifica, che viene creata mediante l’utilizzo di reti neurali a vari livelli di profondità (da quí il termine “deep”, profondo).

Nel deep learning il metodo di creazione di un classificatore è sempre quello della rete neurale ma non solo, in questo caso si utilizzano vari livelli di reti neurali in relazione tra loro.

In sintesi deep learning significa maggiori possibilità di creare classificatori sempre più precisi per problemi esplicitamente connessi al concetto di complessità.

Dal 2012, in relazione a diversi lavori di ricerca avvenuti nel contesto di Google, il deep learning ha preso sempre più piede divenendo responsabile dell’espansione esponenziale di investimenti e ricerche sull’intelligenza artificiale, in particolar modo nel campo della medicina e di altre scienze della complessità (finanza, metereologia, scienze sociali, psicologia, etc.).

Ad esempio se io sottopongo ad un algoritmo di deep learning tutti i dati di una valutazione clinica in psichiatria (le domande che faccio, quello che il paziente risponde, i dati di laboratorio, le immagini radiodiagnostiche, le espressioni facciali, lo stress vocale, i dati di motricità e le interazioni con l’ambiente) e poi glieli faccio appaiare con una diagnosi effettuata da un dato operatore, con il passare del tempo, una volta che migliaia e migliaia di casi saranno stati utilizzati in questo processo di addestramento del sistema, alla fine la macchina potrà essere in grado di attuare una diagnosi con modalità molto simili a quelle degli operatori che l’avranno addestrata.

Spero di essere stato chiaro ma se voleste farmi delle domande vi invito a farlo nella sezione dei commenti che trovate alla fine di questo articolo.

Un consiglio finale: se volete leggere uno dei migliori libri divulgativi sull’Intelligenza Artificiale ed i suoi impatti sulla nostra Società, medicina, psichiatria e psicologia, allora vi consiglio “Vita 3.0” di Max Tegmark. Potete acquistarlo al miglior prezzo su Amazon.it:

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.