Deep Learning e reti neurali: un passo più in profondità

Il Deep Learning (apprendimento profondo) è la tecnica di machine learning alla base della stragrande maggioranza dei sistemi di IA che usiamo oggi: riconoscimento vocale, traduzione automatica, generazione di immagini, e i modelli linguistici come ChatGPT, Gemini e Claude. Vale la pena capire, a grandi linee, cosa lo rende diverso e così efficace.

DA DOVE VIENE IL NOME "RETE NEURALE"
Il deep learning si basa su strutture chiamate "reti neurali artificiali", ispirate — in modo molto approssimativo, non letterale — al funzionamento dei neuroni nel cervello biologico. Non è una simulazione del cervello: è un modello matematico che ne prende in prestito solo l'idea generale (tante piccole unità connesse tra loro) per organizzare i calcoli in modo efficace.

COME È FATTA UNA RETE NEURALE (LA VERSIONE SEMPLICE)
Una rete neurale è organizzata in "strati" (layer):
- STRATO DI INGRESSO (input): riceve i dati grezzi. Per un'immagine, potrebbero essere i valori di colore di ogni singolo pixel.
- STRATI NASCOSTI (hidden layers): una serie di strati intermedi, ciascuno formato da tante piccole unità di calcolo ("neuroni artificiali"). Ogni strato impara a riconoscere pattern via via più complessi, costruendo sui pattern riconosciuti dallo strato precedente.
- STRATO DI USCITA (output): produce il risultato finale — ad esempio, "questa immagine è un gatto al 92%".

PERCHÉ "PROFONDO"? UN ESEMPIO CON LE IMMAGINI
Immagina una rete neurale addestrata a riconoscere volti in una fotografia:
- Il primo strato nascosto potrebbe imparare a riconoscere solo bordi e contorni semplici (linee, angoli).
- Il secondo strato combina quei bordi per riconoscere forme più complesse (occhi, nasi, bocche).
- Uno strato più avanzato combina quelle forme per riconoscere un volto intero.
- Nessun umano ha scritto queste regole a mano: la rete le ha scoperte da sola, analizzando milioni di fotografie durante l'addestramento.

Più strati ha una rete ("più è profonda"), più è capace di costruire rappresentazioni complesse a partire da pattern semplici — da qui il nome "deep" (profondo) learning.

QUALCHE NUMERO PER CAPIRE LA SCALA
I modelli linguistici di grandi dimensioni (come quelli dietro ChatGPT, Gemini o Claude) possono avere centinaia di miliardi di "parametri" — i numeri interni regolati durante l'addestramento — e vengono addestrati su quantità di testo che nessun essere umano potrebbe leggere in mille vite. È proprio questa scala, insieme ai progressi tecnici del 2012 e del 2017 che hai visto nel modulo sulla storia, a spiegare il salto di qualità degli ultimi anni.

PERCHÉ QUESTO TI SERVE, COME DOCENTE
Non ti serve saper costruire una rete neurale. Ti serve poter rispondere, con sicurezza e semplicità, a una domanda che prima o poi arriva da uno studente curioso: "Ma allora come fa a scrivere un testo che sembra scritto da una persona?" — la risposta onesta è: analizzando pattern linguistici imparati da quantità enormi di testo, strato dopo strato, non "capendo" il significato come lo capiamo noi.

Qui sotto trovi uno schema visivo di una rete neurale semplificata, con i suoi strati.

DOMANDA DI RIFLESSIONE
Il modulo successivo collega tutto questo all'IA generativa che usi ogni giorno. Prima di continuare, prova a formulare un'ipotesi: secondo te, come fa un sistema come ChatGPT a "decidere" quale parola scrivere dopo un'altra?