Limiti del Deep Learning e problemi di astrazione

Parlando di machine learning e IoT il developer Francois Chollet ha pubblicato di recente un estratto da un suo libro dedicato a Deep Learning e sviluppo Python che espone i principali limiti di queste tecnologie.

Il Deep Learning si basa su una serie di modelli parametrici trainati dal metodo della discesa del gradiente. Un robot dunque non necessità altro che di un vasto bacino di modelli associato a un altrettanto vasto numero di esempi per riuscire a risolvere vari set di problemi e per elaborare nel contempo nuove soluzioni.

Nel Deep Learining tutto viene considerato come un vettore: testi, immagini, video e qualsiasi altro contenuto vengono tutti interpretati come dei vettori dalla macchina che li trasforma poi in calcoli geometrici 3D.

Tuttavia il pregio del Deep Learning è anche uno dei suoi "limiti". Infatti lo stesso Chollet afferma che:

most programs cannot be expressed as deep learning models.

Quindi non tutti i programmi e le esperienze umane possono essere convertite in modelli adatti al Deep Learning.

Questo perché magari non sono disponibili dati sufficienti o perché la trasformazione geometrica da effettuare è eccessivamente complessa. Ci sono poi una serie di operazioni e dati che l'uomo può elaborare ma che oggi sono parecchio difficili da rappresentare in modo astratto tramite formule matematiche, ad esempio le emozioni umane sono davvero complesse da spiegare ad una macchina.

Dunque il vero limite del Deep Learning sta nella difficoltà di "astrarre" determinati concetti e situazioni che per gli esseri umani sono quasi del tutto immediati. Quando questo limite sarà superato, allora probabilmente si assisterà ad una nuova e reale rivoluzione informatica.

Via Francois Chollet