Il Big Bang economico dell'Deep learning potrebbe avere una data certa. L'apprendimento automatico, una branca in fortissima espansione nell'ambito dell'intelligenza artificiale, si occupa da svariati anni di far agire i computer senza essere stati esplicitamente programmati. Nel 2012 però Alex Krizhevsky, un ricercatore dell'università di Toronto, pubblica un paper scientifico che per la prima volta ne illustra le potenzialità applicate al riconoscimento delle immagini. La sua rete Alexnet fu la prima a usare le Gpu (i processori grafici ndr) per analizzare 1,2 milioni di immagini. In quegli anni ci mise cinque giorni vincendo tutte le competizioni con i servizi rivali. Oggi si ragiona in secondi.

Ecco perché Jen-Hsun Huang (nella foto), Ceo di Nvidia deve molto a Alex Krizhesvsky. Ad Amsterdam il curioso e carismatico cofondatore del più grande produttore al mondo di Gpu (veste sempre con un giubbino di pelle nera come una rock star degli anni cinquanta ndr) ha espresso il suo credo nell'intelligenza artificiale proponendosi come profeta di questa nuova espressione del computing. «In meno di vent'anni siamo passati dall'era del Pc-internet a quella del mobile-cloud; dal computer in ogni casa al computer in ogni mano. Oggi siamo pronti a entrare in un nuovo ecosistema di dispositivi dotati di intelligenza artificiale. Un mondo dove le macchine imparano dalle macchine».

Va riconosciuto all'imprenditore di origini taiwanesi un certo coraggio nelle sue visioni ma le applicazioni finalmente si vedono e vanno dai veicoli autonomi (self driving car) ai servizi avanzati che richiedono il riconoscimento di immagini, video e linguaggio. Accanto ai grandissimi nome dell'informatica che stanno investendo nell'Ia sono nate 1500 startup (oggi nel mirino di venture capital) al lavoro su algoritmi statistici a reti neurali, che permettono ad un calcolatore di apprendere, tramite grandi moli di dati.

Il salto di qualità è avvenuto con lo sviluppo della conoscenza legato alle reti neurali artificiali. L'apprendimento ( o trianing) come per la mente umana può addirittura sfociare in capacità predittive. Anzi, come spesso accade la discontinuità è nata dalla convergenza di saperi diversi.

Come ha precisto Giorgio Metta, a capo del progetto R1 dell'Istituto Italiano di tecnologia (si legga l'Aj in fondo all'articolo) «le reti neurali non sono certo una novità, si insegnano da tempo all'università. Quello che è accaduto è che sono stati scritti degli algoritmi per rendere le operazioni di training della macchina più efficienti E poi parallelamente sono uscite le Gpu e le librerie dei linguaggi».

La fase più cruciale è proprio quella dell'apprendimento. In passato l'ostacolo principale all'uso estensivo delle reti neurali era la limitata capacità di calcolo dei computer. Per le reti neurali più complesse spesso sono necessarie settimane per addestrarle opportunamente. Ma recentemente grazie allo sviluppo del calcolo parallelo, le reti neurali sono entrate a far parte degli strumenti a disposizioni di centri di ricerca e aziende. Google, per esempio, ha utilizzato server basati su circa 1.000 CPU o 16.000 core CPU per sviluppare la sua rete neurale, che aveva imparato a riconoscere i gatti in una serie di video di YouTube. La rete comprendeva 1,7 miliardi di parametri e la rappresentazione virtuale delle connessioni tra neuroni. Il sistema di calcolo che ha presentato settimana scorso Nvidia si chiama (DGX-1) ed è in grado di effettuare 170 trilioni di operazioni al secondo.

Il risparmio di tempo nella fase di apprendimento ha consentito la nascita di nuove applicazioni. Sfogliando le startup dell'Ia scopriamo così l'app Artisto un buon esempio di video semantica già sul mercato. Funziona come Prisma ma per i video. In altre parole, è in grado di ridisegnare in tempo reale un filmato trasformandolo in un'opera d'arte.

Si sceglie la stile artistico o la scuola di pittura e il video (al massimo dieci secondi) si trasforma. L'elaborazione non avviene in locale, ma su server remoto, grazie all'impiego di un sistema di intelligenza artificiale e reti neurali che riconosce gli stili e gli oggetti in movimento. Deepinstict è forse la prima startup che applica le logiche del Deep learning alla cyber security. Sadako è una azienda spagnola che ha trovato il modo di insegnare a un braccio meccanico a operare la raccolta differenziata su grandi volumi di spazzatura (su un carrello mobile riesce a distinguere la plastica dalle altre sostanze). Deep Genomics ha raccolto a novembre 3,7 milioni di dollari e promette di saper scoprire quali geni mutati sono rilevanti per i ricercatori dell'industria farmaceutica. La quantità di fondi a disposizione delle startup legate all'intelligenza artificiale sta perciò crescendo costantemente. Si è passati dai 282 milioni di dollari del 2011 ai 2,4 miliardi del 2015: i finanziamenti sono cresciuti di un fattore sette in soli cinque anni (dati CB Insights). Ma c'è un ma. Gli esperti di intelligenza artificiale inducono alla calma. Riuniti a Londra al Deep Learning Summit alcuni scienziati hanno spiegato che la strada è ancora lunga. Questi algoritmi hanno bisogno di grandi moli di dati per affinarsi. Ragion per cui non tutti se li possono permettere. Non a caso sulla palla ci sono tutte i big di internet da Facebook a Google che di dati ne hanno a vagoni. Poi l'attuale Ia non è multitasking. Come ha scritto Raia Hadsell, ricercatore di DeepMind da tempo sono allo studio algoritmi progressivi ma ad oggi si può insegnare a un sistema dotato di apprendimento una cosa alla volta. In pratica, nessun supercomputer può imparare a giocare, ascoltare musica o riconoscere gli oggetti allo stesso tempo. Imparano velocemente ma una cosa alla volta. La casa intelligente di Tony Stark (Iron Man) può attendere.

© Riproduzione riservata