Definizione
Che cos’è Deep learning e come funziona?
È particolarmente efficace su immagini, audio, linguaggio e grandi quantità di dati. Richiede però risorse di calcolo, esempi adeguati e una valutazione rigorosa.
La differenza pratica rispetto al machine learning classico è che le reti profonde estraggono da sole le caratteristiche utili dai dati grezzi, come pixel o forme d’onda, senza che un tecnico le definisca a mano. In cambio chiedono GPU per l’addestramento e molti esempi. Il transfer learning attenua il problema: si parte da un modello già addestrato su milioni di immagini e lo si adatta ai propri casi.
Esempio aziendale
Esempio di Deep learning in azienda
Un produttore addestra un modello visivo per distinguere difetti superficiali molto simili tra loro su fotografie di linea.
Applicazioni
Quando può essere utile
- computer vision
- riconoscimento vocale
- modelli linguistici
- previsione complessa
- analisi multimodale
Limiti
Quando fare attenzione
- su dati tabellari spesso vince il gradient boosting
- addestramento lungo senza GPU dedicata
- difficile spiegare il singolo errore al reparto
- sensibile a cambi di illuminazione e inquadratura
Da non confondere
Deep learning: con cosa non va confuso?
Il machine learning comprende anche metodi più semplici e interpretabili. Il deep learning è una sua famiglia basata su reti neurali profonde.
Dalla definizione al progetto
Cosa può realizzare Agentix con Deep learning
Nei progetti di visione e controllo qualità, il deep learning è lo strumento con cui Agentix riconosce difetti superficiali, legge marcature o classifica componenti. Il punto di partenza è quasi sempre un modello preaddestrato, adattato sulle foto reali della linea del cliente.
Si definiscono condizioni di ripresa stabili, si etichettano le immagini con il reparto qualità e si misurano falsi scarti e difetti mancati su un set tenuto da parte. Il modello viene poi installato su un PC di linea o su un dispositivo edge, con salvataggio dei casi dubbi.
Valuta il caso d’uso con AgentixRisposte rapide
Domande frequenti su Deep learning
Serve una GPU per usare il deep learning?
Per addestrare modelli visivi o linguistici di dimensioni medie sì, oppure si usa una GPU in cloud a ore. Per l’esecuzione in produzione molti modelli compressi girano su CPU industriali o su dispositivi edge con acceleratori dedicati.
Quando conviene il deep learning rispetto a un modello classico?
Quando l’input è non strutturato: immagini di pezzi, audio di macchine, testo libero, serie temporali ad alta frequenza. Per previsioni su tabelle di ordini, prezzi o tempi ciclo un modello ad alberi è di solito più rapido, economico da gestire e più facile da spiegare.
Dal concetto all’applicazione
Vuoi applicare Deep learning nella tua azienda?
Partiamo dal processo, dai dati disponibili e dal risultato atteso per definire un primo progetto concreto.