di Donato Ceccomancini, Sales manager Italy di Infinidat
“Gli esseri umani sognano. Anche i cani sognano, ma non tu, tu sei solo una macchina. Un’imitazione della vita. Un robot può scrivere una sinfonia? Può trasformare una tela bianca in un capolavoro?”
Questa famosa citazione dal film “I, Robot” – ispirato all’omonima antologia dello scrittore di fantascienza Isaac Asimov – pone alcune domande cui la tecnologia ora è in grado di rispondere.
I programmi dotati di funzionalità di machine learning possono comporre sonate, canzoni e pezzi classici e addirittura disegnare agli stessi livelli di un artista. Il robot intelligente- in grado di prendere decisioni autonomamente, sta prendendo forma sotto i nostri occhi.
L’idea di macchine intelligenti era già stata “caldeggiata” negli anni ‘50, quando la ricerca nel campo dell’Intelligenza Artificiale raggiunse il suo apice. All’epoca, vi era persino l’aspettativa che applicazioni, macchine e robot in breve tempo sarebbero stati utilizzati dalla gente comune per le attività quotidiane. Tuttavia si ritiene che questa aspettativa non si sia concretizzata perché la potenza di calcolo non era sufficiente per supportarla e la ricerca fu quindi abbandonata per molto tempo.
Ora – a distanza di anni – l’idea è stata ripristinata e si possono trovare applicazioni con funzionalità di Machine Learning che riguardano diversi aspetti delle nostre vite. Oltre alle citate opere d’arte, vi sono applicazioni quali software di riconoscimento facciale, interpretariato linguistico per le chiamate vocali (es. Skype Translator), servizi di trasporto cooperativo (es. Uber), strumenti medici diagnostici, soluzioni intelligenti per la sicurezza dei dati e altro.
Parallelamente all’entusiasmante rinascita del machine learning, è emerso un altro concetto, il Deep Learning. La differenza tra Machine e Deep Learning la dice lunga sul futuro verso cui si muove l’attuale mondo dei computer.
Gli algoritmi di apprendimento automatico si fondano sull’input di dati, ma necessitano altresì di un intermediario umano per “istruirli” mediante una serie di regole e classificazioni, in modo che possano distinguere e identificare ciò viene loro richiesto. Ad esempio, caricando più foto di gatti e istruendo l’algoritmo sul fatto che si tratti appunto di gatti, alla fine imparerà a identificare autonomamente nuove immagini, anche se mai incontrate prima. Con il Deep Learning gli algoritmi non richiedono invece la mediazione di un essere umano. Occorre solo una maggiore concentrazione di dati in modo che l’algoritmo possa insegnare a sé stesso come definire, classificare e identificare un gatto.
Grazie alle funzionalità di Deep Learning, i computer hanno raggiunto capacità di riconoscimento delle immagini persino più rapide e accurate rispetto a quelle di un umano. Si consideri quanto questo possa essere significativo nel contesto ad esempio delle incidenze dei casi di tumore nei test di radiologia. Potrebbe persino rovesciare le statistiche tra la vita e la morte.
Si può dire che il Deep Learning sia più vicino a quell’Intelligenza Artificiale che gli scienziati sognavano decenni fa e potrebbe trattarsi della stessa di cui Isaac Asimov e molti altri autori di fantascienza hanno ampiamente scritto. Ad ogni modo, questa è la “rivoluzione” che cambierà il futuro delle nostre vite nei prossimi anni.
La chiave del successo del Deep Learning, nella sua attuale “seconda vita”, risiede nella capacità di elaborare immensi volumi di informazioni poiché i suoi algoritmi offrono prestazioni migliori in proporzione alla quantità di esempi da cui “imparare”.
Più esempi vengono inseriti, maggiore è la precisione dell’algoritmo. Il metodo del Deep Learning (una rete neurale artificiale) può essere paragonato al cervello umano, che impara dalle sue esperienze. Si pensi per un momento a un bambino piccolo che inizia a conoscere il mondo, gli oggetti, gli animali, il cibo e in generale tutto ciò che lo circonda. Tornando al citato esempio dei gatti, più immagini di diverse razze la madre mostrerà al bambino – con pellicce di diverso colore, distesi in posizioni disparate, con sfondi e dimensioni differenti – più il bimbo sarà in grado di identificarli e distinguerli, sia tra loro che rispetto ad altri animali.
È così che l’algoritmo di Deep Learning impara. Maggiore è il numero di esempi inseriti, più alto sarà il grado di accuratezza che consentirà di identificare immagini di ogni gatto in varie forme e contesti – ad esempio un orecchio e una coda che spuntano da dietro un divano.
Tuttavia, a differenza del cervello umano, l’algoritmo è in grado di apprendere in modo più decentralizzato e parallelo, con la capacità di elaborare molti più esempi rispetto a un umano. Pertanto, gli strumenti di calcolo di Deep Learning avanzati richiedono potenti processori grafici (GPU) capaci di un parallelismo massiccio e la capacità di archiviare e accedere a enormi volumi di dati, rapidamente e a costi accessibili.
Negli ultimi anni abbiamo constatato come lo storage obsoleto stia cedendo il passo alle tecnologie All Flash, che tuttavia non hanno ancora fornito le performance che il mondo sta aspettando. Sebbene le prestazioni siano migliorate, restano significativamente più costose dello storage su dischi rotanti e non consentono ancora la scalabilità necessaria per crescere.
Al fine di soddisfare il vero potenziale del Machine Learning, il costo dello storage dovrà diminuire in modo significativo. Attualmente, il supporto All Flash è 10-15 volte più dispendioso della tecnologia a disco rotante e questo rapporto, secondo tutte le previsioni, rimarrà tale anche quando i costi di storage in generale diminuiranno.
Questo è il momento di individuare tecnologie innovative hyper-storage, che dispongano di prestazioni più elevate rispetto all’All-Flash ad un prezzo paragonabile al disco rotante. Queste tecnologie si basano su un programma intelligente in grado di utilizzare risorse relativamente semplici per archiviare volumi immensi ad alta densità in aree ridotte, senza compromettere affidabilità e performance.
Affinità e curiosità sull’argomento non sono state abbandonate e nuove forme di computing ci aspettano dietro l’angolo se sappiamo come utilizzare correttamente le nostre risorse di dati. Non è lontano il giorno in cui tutti potremo viaggiare su macchine automatizzate, utilizzare un programma per rispondere alle e-mail o ricevere consigli sugli investimenti da robot intelligenti. La base su cui si fonda il successo del Deep Learning sta nell’infrastruttura di storage: il futuro è già qui e non vi è ragione per comprometterlo proprio adesso.