Il Deep learning e le sue applicazioni

 In Eidon Lab

Le tecnologie stanno diventando sempre più data-intensive. Diventa necessario trovare nuove tecniche di esplorazione di questi dati al fine di ricavare informazioni utili e possibilmente redditizie.

Deep Learning

Le tecniche che prendono il nome di deep learning (letteralmente “apprendimento profondo”) sono forse le tecniche più affascinanti. Esse permettono la creazione di algoritmi in grado di fornire astrazioni di complesso e di alto livello del significato dei dati attraverso un processo di apprendimento gerarchico. I livelli gerarchici di astrazione superiore sono costruiti sui livelli gerarchici di interpretazione dei dati più bassi.  Il beneficio fondamentale delle tecniche di deep learning è la possibilità di analizzare grandi moli di dati non supervisionati, rendendoli utili all’analisi dei big data dove generalmente i dati non sono etichettati o categorizzati.

Permettono infatti di estrarre pattern da enormi volumi di dati, indicizzarli sistematicamente, o taggarli, al fine di rivelare informazioni in esse contenute. Le immagini, esempio di big data non strutturati, sono composte da differenti elementi di variazione come la luce, la forma e il materiale degli oggetti. Gli algoritmi di deep learning sono delle architetture “profonde” di livelli conseguenti. Ogni livello applica una trasformazione non lineare sugli input e fornisce come output una rappresentazione diversa.

Alcuni esempi applicativi delle tecniche Deep Learning

Dunque, i dati delle immagini provenienti dai sensori rappresentano il primo livello. Questo subisce una trasformazione e, conseguentemente, l’output di ogni livello sarà l’input del livello successivo. Ad esempio, fornendo delle immagini di visi, ai dati di primo livello corrisponderà uno specifico algoritmo di deep learning che potrà leggere i bordi delle forme e le differenti orientazioni. In un secondo livello si potranno comporre le forme per poi individuare, all’interno dei visi, i nasi, gli occhi, le labbra. In un terzo livello si potranno comporre le caratteristiche per distinguere differenti visi di differenti persone all’interno dell’immagine. Questa rappresentazione finale potrà essere utilizzata per lo sviluppo di applicazioni per il riconoscimento facciale.

Le applicazioni delle tecniche di deep learning sono molteplici: dall’identificazione di elementi di pericolo per gli impianti, alla possibilità di riconoscimento di difettosità dei prodotti, all’identificazione di persone e della loro presenza in uffici, al riconoscimento biometrico.

Concludendo, nella gestione dei big data la chiave di successo risiederà nello sviluppare architetture di deep learning in grado di modellare in maniera efficiente ed efficace i dati visivi, rendendo possibile la catalogazione, l’analisi e la comprensione automatica degli stessi.

 

Per avere ulteriori informazioni, contattaci!

Recommended Posts

Leave a Comment

Contact Us

We're not around right now. But you can send us an email and we'll get back to you, asap.

Non leggibile? Modificare il testo.

Start typing and press Enter to search