L’apprendimento automatico interviene dove l’essere umano non riesce

apprendimento automatico machine learning

Machine Learning, una specificità dell'AI a servizio del tuo business

Cosa è il machine learning?

Il Machine Learning (ML) è un ramo dell’intelligenza artificiale molto vasto, spesso considerato erroneamente la medesima cosa.

Si parla di Machine Learning quando si fa riferimento ai meccanismi che consentono ad una macchina intelligente di migliorare le proprie capacità e prestazioni grazie all’apprendimento continuo nel tempo. Infatti, si basa sull’idea che - a partire dalla struttura dei dati - i sistemi possano apprendere e poi identificare modelli di reazione allo scopo di assumere decisioni in autonomia o comunque con il minimo intervento umano.  

Quindi, è l’esperienza della macchina a consentirle di perfezionare le sue capacità, risposte e funzioni. Chiaramente il Machine Learning è alimentato da algoritmi che impiegano metodi matematico-computazionali per apprendere informazioni dai dati in modo iterativo e potremmo dire “adattivo”: quanto più sono a contatto con i flussi informativi tanto più saranno in grado di apprendere e replicare autonomamente. 

Si dice che un programma apprende dall’esperienza E, con riferimento ad alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E

- Arthur Lee Samuel 

Quali sono i sistemi di apprendimento?

Il Machine Learning funziona sulla base di distinti approcci che si distinguono sostanzialmente in base al fatto che si possano dare alla macchina degli esempi completi da utilizzare per assolvere al compito richiesto o lasciare il software “libero” di lavorare senza supporto. Sono tre i modelli di learning più comuni:

  • Apprendimento supervisionato

Questo è il metodo più utilizzato. Il data scientist fornisce al sistema informatico della macchina esempi di coppie di input/output, ossia specifiche nozioni le cui risposte sono codificate, affinché possa imparare il nesso esistente tra questi.  

L’obiettivo è quindi che il sistema identifichi uno schema generale di collegamento tra input e output. Infatti, “l’addestramento” vede la macchina impegnata ad elaborare gli esempi di coppie fornite e a correggere eventuali risultati diversi da quelli attesi, tramite un meccanismo di feedback che attiva il processo di ottimizzazione dell’algoritmo fin quando non si giunge alla risposta corretta.  

  • Apprendimento non supervisionato 

In questo caso, il sistema è più “indipendente”: vengono forniti solo gli input, quindi set di dati che non hanno una classificazione, un output atteso. È l’algoritmo che deve catalogare le informazioni in suo possesso, organizzarle ed apprenderle in questo modo vi è libertà di scelta maggiore per la macchina che può attingere da questi e trovare relazioni non lineari per capire quali possono portare risultati migliori rispetto all’obiettivo del modello.

L’obiettivo è l’esplorazione della macchina affinché la libertà di scelta la conduca ad organizzare l’informazione in modo intelligente per apprendere i futuri output migliori in risposta a differenti input. 

  • Apprendimento per rinforzo 

È probabilmente il tipo di apprendimento più complesso, infatti, è anche in più utilizzato nei contesti dinamici ed incerti come nel caso delle auto senza pilota. 

In questo modello, all’algoritmo sono forniti dei traguardi da raggiungere, un sistema di rewards (ricompensa) ed uno di penalties (penalità) ma deve scoprire da solo quali sono le migliori azioni da compiere in vista dell’obiettivo. L’incertezza della strada da percorrere gli consente di sperimentare quali soluzioni generano maggiori ricompense e quali fanno cadere in errore.

Di conseguenza la macchina migliora il proprio apprendimento, comprende dall’ambiente circostante e impara quali sono le migliori azioni grazie ai meccanismi di ricompensa o penalità.

  • Apprendimento semi-supervisionato 

Si tratta di un sistema che potremmo definire “ibrido” poiché alla macchina viene fornito un insieme ristretto di dati e informazioni etichettate ed uno più ampio non etichettato. In questo caso, l’intervento umano di etichettatura degli input e output è ridotto. I dati etichettati diventano quindi un punto di partenza per i sistemi informatici per il loro addestramento per la costruzione di un modello statico. È utile quando vi è difficoltà ad estrarre funzioni dai dati non etichettati e quando per i data scientist è difficile assegnare un output ai dati iniziali. 

Quali sono i suoi vantaggi? 

Humans can typically create one or two good models a week; machine learning can create thousands of models a week

- Thomas H. Davenport, Analytics thought leader excerpt from The Wall Street Journal

Davenport lo spiega bene, l’apprendimento automatico interviene laddove l’essere umano non riesce. Infatti, spesso la scena di input è tanto complessa e varia da risultare problematico e difficile misurare tutto.  Allo stesso tempo però non si deve cadere nell’ovvietà di considerare assoluti i risultati o il lavoro che svolgono. Ugualmente considerare le applicazioni del machine learning infallibili è utopico.

Tuttavia, data la velocità con cui si evolvono gli scenari di mercato, si rivelano strumenti preziosi e versatili.

Quali sono le sue applicazioni?

Oggi il Machine Learning è ampiamente utilizzato ad esempio nel settore dei servizi finanziari e in ambito bancario, principalmente allo scopo di prevenire frodi e comprendere possibilità di investimento; per i motori di ricerca, quando all’inserimento di alcune parole chiave restituiscono delle SERP (Search Engine Results Page) per effetto del lavoro del ML; nell’ambito dell’Assistenza Sanitaria e della ricerca scientifica in ambito medico dove con l’apprendimento supervisionato gli algoritmi lavorano per effettuare diagnosi e previsioni; nel Marketing, pensiamo ai motori di raccomandazione e di suggerimento che sfruttano l’apprendimento del ML apprendendo dalle abitudini di navigazione degli utenti, nell’industria degli Oli e Gas, ecc.

Non ci si deve stupire se guardassimo quello che ci circonda probabilmente sarebbero poche le cose sprovviste di software di apprendimento. Infatti, si consideri che secondo l’analisi di IBM Global AI Adoption Index nel Mercato italiano gli investimenti nelle tecnologie dell’Intelligenza Artificiale sono aumentate del 27% rispetto al 2021 e si aggirano intorno ai 380 milioni di euro.

Inoltre, nei contesti aziendali il Machine Learning è un valido aiutante nella creazione di valore. Se implementato in una giusta piattaforma può aiutare nelle operations e nell’implementazione di modelli a larga scala. Pensiamo “banalmente” ai quantitativi di dati presenti nelle nostre organizzazioni: informazioni a valore, la cui mal interpretazione ed estrazione impedisce di sfruttare il loro potenziale.