Le organizzazioni si rivolgono sempre più a un apprendimento approfondito perché consente ai computer di apprendere autonomamente e intraprendere attività che richiedono poca supervisione, promettendo straordinari vantaggi sia per la scienza sia per l'industria. Diversamente dal machine learning tradizionale, l'apprendimento approfondito tenta di simulare il modo in cui il nostro cervello apprende e processa le informazioni creando "reti neurali" artificiali che possono estrarre concetti e relazioni complicati dai dati a disposizione. I modelli di apprendimento approfondito migliorano con il riconoscimento di modelli complessi di immagini, testi, suoni e altri dati che consentono di ottenere approfondimenti e previsioni più accurati.
L'utilizzo del cloud computing per l'apprendimento approfondito consente di inglobare e gestire in modo semplice grandi set di dati per formare algoritmi e consente di scalare i modelli di apprendimento approfondito a costi inferiori utilizzando la potenza di elaborazione della GPU. Sfruttando le reti distribuite, l'apprendimento approfondito sul cloud consente di progettare, sviluppare e formare le applicazioni di apprendimento approfondito più velocemente.
Gli algoritmi di apprendimento approfondito sono progettati per imparare velocemente. Utilizzando cluster di GPU e CPU per eseguire operazioni a matrice complessa su attività di elaborazione intensiva, gli utenti possono accelerare la formazione di modelli di apprendimento approfondito. Questi modelli possono essere implementati per elaborare grandi quantità di dati e produrre risultati sempre più rilevanti.
Le reti neurali di apprendimento approfondito sono ideali per trarre vantaggio da più processori, con una distribuzione trasparente ed efficiente dei carichi di lavoro e tra diversi tipi di processori e quantità. Con l'ampia gamma di risorse on demand disponibili attraverso il cloud, è possibile distribuire risorse praticamente illimitate per affrontare modelli di apprendimento approfondito di qualsiasi dimensione.
I framework di apprendimento approfondito comeApache MXNet, TensorFlow, Microsoft Cognitive Toolkit, Caffe, Caffe2, Theano, Torch e Keras possono essere eseguiti sul cloud, consentendo di utilizzare librerie pacchettizzate di algoritmi di apprendimento approfondito più adatti al proprio caso d'uso, sia per il web sia per dispositivi mobili o connessi.
L'apprendimento approfondito si adatta a un'ampia varietà di casi d'uso di intelligenza artificiale, come ad esempio:
Formando algoritmi con milioni di immagini etichettate, le reti neurali di apprendimento approfondito possono identificare con successo dei soggetti anche meglio di quanto possa l'uomo, sviluppando capacità avanzate come il riconoscimento facciale rapido.
I pattern vocali e gli accenti diversi degli umani rendono il riconoscimento vocale difficile per i computer. Gli algoritmi di apprendimento approfondito possono determinare più facilmente cosa viene detto. Questa funzionalità è utilizzata oggi in Amazon Alexa e in altri assistenti virtuali.
L'apprendimento approfondito aiuta i computer a comprendere le conversazioni abituali, nelle quali il tono e il contesto sono fondamentali per comunicare significati non espressi. Con algoritmi in grado di rilevare le emozioni, i sistemi automatizzati come i robot del servizio clienti possono decifrare e rispondere agli utenti in modo vantaggioso.
Uno dei primi successi dell'apprendimento approfondito è stato lo sviluppo di sistemi che monitorano le attività degli utenti per offrire raccomandazioni personalizzate. Confrontando l'attività aggregata di numerosi utenti, i sistemi di apprendimento approfondito possono persino identificare elementi totalmente nuovi che potrebbero essere di interesse per un utente.
Scopri come TuSimple costruisce un'intelligenza approfondita per veicoli autonomi. Ulteriori informazioni >
Puoi iniziare con un'esperienza completamente gestita grazie a Amazon SageMaker, una piattaforma con cui creare, addestrare e distribuire modelli di Machine Learning in modo scalabile. È anche possibile utilizzare le AMI di AWS Deep Learning per costruire ambienti e flussi di lavoro personalizzati per il machine learning.