Home » Blog » Intelligenza Artificiale » Deep learning: cos’è e come funziona

Deep learning: cos’è e come funziona

·

·

Il deep learning è un ramo del machine learning che usa reti neurali artificiali composte da più strati per imparare direttamente dai dati grezzi.

Il deep learning, in italiano apprendimento profondo, è un ramo del machine learning che usa reti neurali artificiali composte da molti strati per imparare direttamente dai dati grezzi, come immagini, testi e suoni. Lo usano ricercatori, sviluppatori e aziende in contesti molto diversi: la visione artificiale, il riconoscimento vocale, la traduzione automatica, i sistemi di raccomandazione e i modelli linguistici alla base di ChatGPT, Claude e Gemini.

Rispetto al machine learning classico, il deep learning individua da solo le caratteristiche utili dei dati, senza che un esperto debba selezionarle a mano, ma in cambio richiede grandi quantità di esempi e una notevole potenza di calcolo, in genere fornita da GPU. Il funzionamento si basa su un ciclo ripetuto milioni di volte: la rete produce una previsione, la confronta con il risultato atteso e corregge i propri parametri per ridurre l’errore. Conoscerne i principi serve a capire come funzionano gli strumenti di intelligenza artificiale usati ogni giorno, come Google interpreta le ricerche e quali limiti hanno i sistemi che generano testi e immagini.

Cos’è il deep learning?

Il deep learning è un insieme di tecniche di intelligenza artificiale in cui una rete neurale con numerosi strati di elaborazione impara a svolgere un compito analizzando grandi quantità di esempi.

L’aggettivo «deep», profondo, si riferisce al numero di strati, che nelle reti attuali sono decine o centinaia. Ogni strato trasforma l’informazione ricevuta dal precedente e la passa al successivo, così la rete costruisce rappresentazioni sempre più astratte dei dati di partenza.

Il rapporto con le discipline vicine si può immaginare come tre cerchi concentrici: il più ampio è l’intelligenza artificiale, dentro si trova il machine learning, l’insieme dei metodi che imparano dai dati, al centro c’è il deep learning. Ogni sistema di deep learning è quindi machine learning, mentre il contrario non vale.

Vuoi far lavorare l’AI per il tuo team?

Con n8n e Claude automatizzo report, ricerche e passaggi ripetitivi, così il tempo va all’analisi e alla strategia.

Puoi partire da una call gratuita di 30 minuti.

Che differenza c’è tra deep learning e machine learning?

La differenza tra deep learning e machine learning sta soprattutto nel modo in cui vengono individuate le caratteristiche dei dati da cui il modello impara.

Nel machine learning tradizionale un esperto decide quali informazioni fornire all’algoritmo. Per stimare il prezzo di una casa si scelgono metri quadrati, zona e piano, e l’algoritmo impara il peso di ciascun fattore. Il deep learning invece riceve il dato grezzo, ad esempio i pixel di una foto, e scopre da solo quali elementi contano. Per questo è adatto ai dati non strutturati, come testi, immagini e audio.

La tabella seguente sintetizza le differenze principali.

CaratteristicaMachine learning classicoDeep learning
ModelloAlgoritmi statistici, alberi di decisione, regressioniReti neurali artificiali a molti strati
Caratteristiche dei datiScelte da un espertoApprese in automatico dai dati grezzi
Quantità di datiFunziona anche con poche migliaia di esempiGrandi dataset, spesso milioni di esempi
Tipo di dati idealeDati strutturati in tabelleImmagini, testi, audio e video
Potenza di calcoloBassa o moderata, anche su CPUElevata, su GPU o acceleratori dedicati
InterpretabilitàDecisioni spesso spiegabiliDecisioni difficili da spiegare

Come funziona il deep learning?

Il deep learning funziona facendo passare i dati attraverso una sequenza di strati di neuroni artificiali e correggendo, esempio dopo esempio, i parametri che collegano questi neuroni finché l’errore scende a un livello accettabile.

La struttura a strati: input, livelli nascosti e output

Una rete neurale profonda è formata da uno strato di input, che riceve i dati, da più livelli nascosti, che li elaborano, e da uno strato di output, che restituisce il risultato.

Ogni neurone artificiale riceve dei valori numerici, li moltiplica per dei pesi, aggiunge un valore di correzione chiamato bias e applica una funzione di attivazione, una piccola formula matematica che decide quanto segnale trasmettere allo strato successivo. I pesi sono il vero «sapere» della rete: i grandi modelli linguistici ne contano centinaia di miliardi.

Il riconoscimento di un gatto in una foto mostra bene la divisione del lavoro tra gli strati. I primi livelli nascosti reagiscono a bordi e contrasti di colore, quelli intermedi combinano i bordi in forme come orecchie, occhi e baffi, gli ultimi mettono insieme le forme e riconoscono l’animale. La rete ricava da sola il concetto di «orecchio», osservando migliaia di immagini.

L’addestramento: funzione di perdita, backpropagation e discesa del gradiente

L’addestramento di una rete neurale è il processo con cui i pesi, inizialmente casuali, vengono regolati per ridurre progressivamente l’errore commesso sugli esempi.

Il ciclo si ripete in quattro passaggi. La rete riceve un esempio e produce una previsione; una funzione di perdita misura quanto la previsione si discosta dalla risposta corretta; la backpropagation (retropropagazione dell’errore) calcola quanto ogni peso ha contribuito all’errore, risalendo gli strati dall’output all’input; infine la discesa del gradiente sposta ogni peso di una piccola quantità nella direzione che riduce l’errore. Se la rete memorizza gli esempi senza imparare a generalizzare si parla di overfitting (sovradattamento): per accorgersene, una parte dei dati viene tenuta da parte e usata solo per la verifica.

Una volta concluso l’addestramento, i pesi restano fissi e il modello entra nella fase di inferenza, in cui elabora dati nuovi. Spesso non si parte da zero: si prende un modello pre-addestrato su enormi raccolte di dati e lo si specializza con il fine tuning, un addestramento supplementare su un insieme ridotto di esempi di un settore preciso.

Apprendimento supervisionato, non supervisionato e auto-supervisionato

Le reti di deep learning imparano in tre modi: con apprendimento supervisionato (esempi etichettati), non supervisionato (dati senza etichette) e auto-supervisionato (etichette ricavate dai dati stessi).

Le tre modalità funzionano così:

  • supervisionato: ogni esempio ha un’etichetta corretta, come la foto con la scritta «gatto» o l’email marcata come spam
  • non supervisionato: la rete riceve dati senza etichette e individua da sola regolarità e anomalie, ad esempio transazioni sospette tra milioni di pagamenti
  • auto-supervisionato: la rete ricava le etichette dai dati stessi, ad esempio prevedendo la parola successiva di una frase o una parola nascosta.

L’apprendimento auto-supervisionato ha reso possibili i modelli linguistici moderni, addestrati su miliardi di pagine senza etichette manuali.

Dati e potenza di calcolo: perché servono le GPU

Il deep learning richiede GPU perché l’addestramento consiste in un numero enorme di moltiplicazioni tra matrici, operazioni che le schede grafiche eseguono in parallelo molto più velocemente dei processori tradizionali.

Nate per i videogiochi, le GPU si sono rivelate ideali per le reti neurali, e oggi i modelli più grandi vengono addestrati per settimane o mesi su decine di migliaia di chip. Insieme alla potenza di calcolo serve una grande quantità di dati di qualità: una rete addestrata su esempi pochi o sbagliati impara male, a prescindere da quanto sia sofisticata.

Quali sono le principali architetture di deep learning?

Le principali architetture di deep learning sono le reti convoluzionali, le reti ricorrenti, i transformer, le reti generative avversarie, i modelli di diffusione e gli autoencoder, ciascuna progettata per un tipo di dati o di compito.

Come mostra la tabella seguente, la scelta dell’architettura dipende dalla natura dei dati da elaborare.

ArchitetturaDati tipiciUsi principali
Reti convoluzionali (CNN)Immagini e videoRiconoscimento di oggetti e volti, imaging medico
Reti ricorrenti (RNN, LSTM)Sequenze e serie temporaliPrevisioni di vendita, primi sistemi di traduzione
TransformerTesto, codice, immaginiModelli linguistici, traduzione, ricerca
Reti generative avversarie (GAN)ImmaginiCreazione di immagini realistiche
Modelli di diffusioneImmagini, audio, videoGenerazione di immagini da testo
AutoencoderDati di qualsiasi tipoCompressione, rilevamento di anomalie

Il transformer, presentato da ricercatori di Google nel 2017, è oggi l’architettura più influente: un meccanismo di attenzione permette al modello di valutare il rapporto tra ogni parola e tutte le altre. Su questa architettura si fondano gli LLM, i modelli linguistici di grandi dimensioni, che scompongono il testo in token, frammenti di parole trasformati in numeri. Il testo che un modello riesce a «vedere» in una volta ha però un limite, la finestra di contesto, la quantità massima di testo elaborata in una sola volta.

Quando nasce il deep learning e perché si è affermato?

Il deep learning nasce dagli studi sulle reti neurali avviati tra gli anni Cinquanta e Ottanta, ma si è affermato solo dopo il 2012, quando dati abbondanti, GPU potenti e algoritmi migliori hanno reso possibile addestrare reti molto profonde.

Le tappe principali sono le seguenti:

  • 1980: Kunihiko Fukushima presenta il neocognitron, antenato delle reti convoluzionali
  • 1986: Rumelhart, Hinton e Williams divulgano la backpropagation, il metodo di addestramento usato ancora oggi
  • 2012: la rete AlexNet vince la competizione ImageNet con un errore del 15,3% contro il 26,2% del secondo classificato, e il settore cambia direzione
  • 2017: arriva il transformer, base dei modelli linguistici attuali
  • 2018: Yoshua Bengio, Geoffrey Hinton e Yann LeCun ricevono il Turing Award, il massimo riconoscimento dell’informatica
  • 2024: John Hopfield e Geoffrey Hinton vincono il premio Nobel per la fisica per le scoperte che hanno reso possibile l’apprendimento automatico con le reti neurali.

Nella motivazione del Turing Award, l’Association for Computing Machinery attribuisce ai tre ricercatori le scoperte concettuali e ingegneristiche che hanno reso le reti neurali profonde una componente centrale dell’informatica.

Esempi di deep learning nella vita quotidiana e nel lavoro

Gli esempi di deep learning nella vita quotidiana sono numerosi: lo sblocco del telefono con il volto, i sottotitoli automatici, i suggerimenti di film e prodotti, la traduzione istantanea e gli assistenti in chat.

Le applicazioni si raggruppano in quattro grandi aree:

  • visione artificiale: riconoscimento facciale, analisi di radiografie e TAC, guida assistita, controllo qualità nelle fabbriche
  • linguaggio: traduzione automatica, chatbot, riassunti e classificazione di testi
  • audio: trascrizione del parlato, sintesi vocale, riconoscimento di brani musicali
  • raccomandazioni: suggerimenti di contenuti su piattaforme di streaming, negozi online e social network.

Le applicazioni testuali fanno capo all’elaborazione del linguaggio naturale (NLP), la disciplina che insegna alle macchine a comprendere e produrre testi umani.

Tre casi ipotetici mostrano come il deep learning entra nel lavoro di realtà diverse.

Caso 1: ricerca per immagini in un e-commerce. Un negozio online di arredamento con 8.000 prodotti aggiunge la ricerca tramite foto: il cliente carica l’immagine di una lampada e una rete convoluzionale propone i modelli più simili. In sei mesi le ricerche che si concludono con un prodotto aggiunto al carrello passano dal 12% al 19%.

Caso 2: supporto alla diagnosi in uno studio radiologico. Un centro diagnostico adotta un software che segnala le aree sospette nelle mammografie prima della lettura del medico. La diagnosi resta al radiologo, mentre il sistema ordina gli esami per priorità e riduce di circa un terzo i tempi di refertazione dei casi urgenti.

Caso 3: trascrizione delle interviste in una redazione. Una redazione di cinque giornalisti registra circa 40 ore di interviste al mese. Un modello di riconoscimento vocale le trascrive in pochi minuti e, al netto della revisione dei testi, la redazione recupera oltre ottanta ore di lavoro al mese.

Che ruolo ha il deep learning nella SEO e nella scrittura di contenuti?

Il deep learning ha un ruolo centrale nella SEO e nella scrittura di contenuti perché Google lo usa da anni per interpretare il significato di ricerche e pagine.

Il primo sistema dichiarato è stato RankBrain, nel 2015; nel 2019 è arrivato BERT, un modello basato su transformer che, secondo Google, all’epoca aiutava a comprendere circa una ricerca su dieci in inglese negli Stati Uniti, soprattutto quelle lunghe e colloquiali. Oggi ogni motore di ricerca di grandi dimensioni integra modelli di questo tipo, e le AI Overview, i riassunti generati che compaiono in cima ai risultati di Google, sono prodotte da modelli linguistici addestrati con il deep learning.

Per chi scrive contenuti la conseguenza è concreta: i testi vengono valutati soprattutto per il significato e per la chiarezza delle risposte. Conta rispondere in modo chiaro alla domanda, usare un lessico naturale con termini correlati e organizzare il testo in sezioni che un modello possa estrarre e citare da sole.

Come usare l’AI per spiegare il deep learning a un pubblico non tecnico

Usare l’AI per spiegare il deep learning a un pubblico non tecnico significa chiedere a un modello linguistico di tradurre i concetti in un linguaggio semplice, con analogie ed esempi adatti ai lettori.

Il risultato dipende molto da come è costruita la richiesta, ed è qui che entra in gioco il prompt engineering, la pratica di progettare istruzioni chiare e complete per ottenere risposte utili da un modello.

Un prompt di partenza può essere strutturato così:

Agisci come un divulgatore scientifico. Spiega cos’è il deep learning a [pubblico, ad esempio titolari di piccole imprese senza competenze tecniche] in circa [numero] parole. Copri questi punti: differenza con il machine learning, struttura a strati di una rete neurale, come impara dagli errori, due esempi legati al settore [settore]. Usa una sola analogia quotidiana, evita formule matematiche e spiega ogni termine inglese la prima volta che compare. Chiudi con tre limiti del deep learning che il lettore dovrebbe conoscere.

Il testo ottenuto va controllato prima della pubblicazione: date, nomi e percentuali citati dal modello vanno verificati su fonti primarie, perché un modello linguistico può riportare informazioni superate con la stessa sicurezza di quelle corrette.

Quali sono i limiti del deep learning?

I limiti del deep learning riguardano la quantità di dati e di energia necessaria, la difficoltà di spiegare le decisioni dei modelli e la tendenza a riprodurre errori e pregiudizi presenti nei dati di addestramento.

I principali sono i seguenti:

  • fame di dati: in molti settori gli esempi di qualità sono scarsi o costosi da etichettare
  • costi ed energia: i modelli più grandi richiedono infrastrutture costose e molta elettricità
  • scatola nera: è difficile ricostruire perché una rete abbia preso una certa decisione, problema affrontato dalla explainable AI, l’insieme dei metodi che rendono comprensibili le scelte dei modelli
  • pregiudizi: i modelli apprendono anche le distorsioni presenti nei dati, generando i cosiddetti bias AI, errori sistematici che penalizzano gruppi di persone o punti di vista
  • errori plausibili: i modelli generativi possono produrre allucinazioni AI, risposte inventate ma presentate come vere
  • fragilità: una rete addestrata su un certo tipo di dati può sbagliare in modo vistoso davanti a casi molto diversi.

Per questo, in medicina, nel credito o nella selezione del personale, le decisioni finali restano affidate a un controllo umano.

Domande frequenti

Il deep learning è intelligenza artificiale?

Sì, il deep learning è una parte dell’intelligenza artificiale, e più precisamente un sottoinsieme del machine learning basato su reti neurali con molti strati.

Come si traduce deep learning in italiano?

Deep learning si traduce con «apprendimento profondo», dove «profondo» indica il numero elevato di strati della rete neurale.

ChatGPT usa il deep learning?

Sì, ChatGPT, come Claude e Gemini, si basa su modelli linguistici con architettura transformer addestrati con tecniche di deep learning su enormi quantità di testo.

Chi ha inventato il deep learning?

Nessuno l’ha inventato da solo: tra i padri riconosciuti ci sono Geoffrey Hinton, Yoshua Bengio e Yann LeCun, premiati con il Turing Award per il loro contributo, insieme a pionieri come Kunihiko Fukushima.

Quale linguaggio si usa per il deep learning?

Il linguaggio più usato è Python, grazie a librerie come PyTorch e TensorFlow che semplificano la creazione e l’addestramento delle reti neurali.

Vuoi applicare questi metodi al tuo lavoro?

Scrivo contenuti per Google e per i motori AI, costruisco automazioni con Claude e formo team e professionisti. In una call gratuita di 30 minuti guardiamo insieme il tuo caso e capiamo da dove partire.

Oppure scopri cosa faccio.

Continua a leggere


Avatar Giuseppe Martella

Scopri chi sono e come lavoro →