Leggi anche: Machine Learning: innovazioni, applicazioni e sfide
L’Intelligenza Artificiale e il “Machine Learning” sono ormai entrati a far parte delle nostre vite, ricoprendo un ruolo che sta diventando di primo piano.
Se gestisci un’azienda o un team, ma non sei un addetto ai lavori e non conosci questi temi, devi sapere che “Artificial Intelligence” e “Machine Learning” non sono la stessa cosa.
Volendone dare una definizione generica, è possibile dire che il “Machine Learning” è un sottoinsieme dell’Intelligenza Artificiale che si occupa di generare sistemi in grado di migliorare le performance in relazione ai dati utilizzati.
Non tutti hanno ben chiaro cosa si intenda per “Machine Learning”, né quali siano le relative potenziali applicazioni finalizzate sia a promuovere e a incrementare la produttività di qualsiasi attività di business, che a migliorare la qualità della vita quotidiana.
Di seguito proverò a definire meglio il “Machine Learning” e a spiegare perché è così importante.
Che cos’è il “Machine Learning”: definizione
Definire in maniera semplice cosa sia il “Machine Learning” non è possibile, visto che l’argomento è molto vasto.
Le diverse tecniche di apprendimento danno vita a altrettante possibilità di utilizzo, che allargano il campo di applicazione e rendono complicato fornire una definizione specifica.
Si può tuttavia dire in maniera semplicistica che quando si parla di “Machine Learning” si parla di processi che permettono a una “macchina intelligente” di migliorare le proprie capacità e prestazioni nel tempo, grazie alle grandi quantità di dati (Big Data) analizzati.
In italiano la parola “Machine Learning” potrebbe essere tradotta come “Apprendimento Automatico”, inteso come capacità delle macchine di apprendere senza essere state programmate in maniera esplicita e preventiva.
A coniare per primo il termine nel 1959 fu Arthur Lee Samuel, scienziato americano pioniere nel campo dell’intelligenza artificiale.
Volendo chiarire ulteriormente il concetto, il “Machine Learning” consiste nell’addestrare un algoritmo, analizzando grandi volumi di dati, per essere in grado di effettuare delle previsioni o trovare delle correlazioni.
In tal modo, se applicato al business, permette di migliorare la produttività, aumentare le vendite, ridurre i costi, e incrementare la soddisfazione dei clienti della propria azienda.
Gli algoritmi di “Machine Learning” possono essere utilizzati in applicazioni di tutti i settori, come finanza, sanità, istruzione, sicurezza informatica, aziende di prodotti e servizi, retail, ecc…
Viene da sé che, data la quantità esponenziale di dati a cui le aziende hanno accesso, il “Machine Learning” è destinato a rappresentare la chiave per il successo dell’organizzazione.
È pertanto necessario che i manager, così come i dipartimenti innovazione delle aziende, rivolgano il proprio sguardo verso il futuro, e comprendano in concreto come il “Machine Learning” possa ottimizzare le operazioni che loro stessi svolgono abitualmente, incrementando la produttività.
Di certo la capacità di elaborare previsioni è una necessità che l’uomo sente fortemente fin dai tempi antichi.
Oggi abbiamo semplicemente un supporto computazionale esterno, che ci consente di effettuare predizioni su larga scala con tantissimi dati a disposizione, in tempi e costi ragionevoli.
Come funziona il “Machine Learning”
In linea generale il “Machine Learning” funziona sulla base di diversi approcci, i quali consentono di fare un distinguo per l’apprendimento automatico in due sottocategorie, a seconda che vengano fornite alla macchina indicazioni specifiche per eseguire il compito richiesto (come nel caso dell’apprendimento supervisionato), o che il software venga lasciato “operare” in autonomia, senza aiuto alcuno (come nel caso dell’apprendimento non supervisionato).
Esistono poi ulteriori approcci che permettono di effettuare un distinguo ancor più dettagliato circa il “Machine Learning” in base al relativo funzionamento.
“Machine Learning” con apprendimento supervisionato
Nell’apprendimento supervisionato (“Supervised Learning”) al sistema (computer, software, algoritmo) vengono assegnati sia set di dati in qualità di input (caratteristiche/features), che informazioni relative al risultato desiderato (obiettivo/target), con l’intento che lo stesso riesca a identificare una regola generale che colleghi i dati in ingresso con quelli in uscita, creando così un nesso logico che consenta di riutilizzare tale regola per attività similari future.
“Machine Learning” con apprendimento non supervisionato
Nell’apprendimento non supervisionato (“Unsupervised Learning”), seconda categoria di “Machine Learning”, al sistema vengono forniti solo specifici set di dati, omettendo qualsivoglia indicazione circa il risultato desiderato.
L’obiettivo in questo caso è quello di riuscire a risalire a schemi e modelli nascosti, identificando cioè una struttura logica negli input, senza che questi siano stati preventivamente etichettati.
“Machine Learning” con apprendimento per rinforzo
Nel caso del cosiddetto apprendimento per rinforzo (“Reinforcement Learning”), il sistema deve interagire con un ambiente dinamico che gli permette di risalire ai dati di input e perseguire un obiettivo, al raggiungimento del quale riceve una ricompensa, traendo tuttavia insegnamento anche da eventuali errori, identificati attraverso “punizioni”.
Viene da sé che il comportamento, così come le prestazioni della macchina, sono determinate da una vera e propria routine di apprendimento caratterizzata da ricompense e punizioni.
Attraverso questo modello, immaginando di contestualizzare il “Machine Learning” a un semplice videogioco, la macchina può banalmente imparare a vincere una partita contro il proprio avversario, concentrando i propri sforzi sullo svolgimento di un compito specifico, ambendo al valore massimo della ricompensa, e migliorando così le proprie prestazioni in relazione ai risultati ottenuti precedentemente.
“Machine Learning” con apprendimento semi-supervisionato
Il “Machine Learning” con apprendimento semi-supervisionato non è altro che un modello “ibrido”, dove alla macchina viene fornito un set di dati incompleti per l’apprendimento.
Una parte di tali input è dotata dei rispettivi esempi di output (come avviene nell’apprendimento supervisionato), mentre un’altra parte ne è priva.
Il fine ultimo è comunque lo stesso: l’identificazione di regole e funzioni da parte del sistema che mirino alla risoluzione di problemi, nonché di modelli e strutture di dati funzionali al perseguimento di obiettivi specifici.
Ci sono poi altri approcci pratici di applicazione degli algoritmi di “Machine Learning”.
Un esempio di apprendimento supervisionato e probabilistico sono i cosiddetti alberi di decisione (“Decision Tree”), che sono un modello che suddivide i dati prendendo decisioni sulla base delle risposte a una serie di domande.
Altro esempio, in questo caso non supervisionato, è il “clustering”, ossia modelli matematici che consentono di raggruppare dati, informazioni e oggetti “simili”.
Si tratta di algoritmi che misurano la “somiglianza” dei dati analizzati, come ad esempio la segmentazione dei clienti in base a caratteristiche comuni.
Altro esempio ancora sono le reti neurali artificiali che utilizzano per l’apprendimento certi algoritmi ispirati alla struttura, al funzionamento, e alle connessioni delle reti neurali biologiche (cioè quelle dell’essere umano).
Nel caso delle reti neurali cosiddette “multi-strato” si entra poi nel campo del “Deep Learning” (apprendimento profondo).
“Machine Learning” e ambiti di applicazione
Come abbiamo precedentemente anticipato, il “Machine Learning” rappresenta una tecnologia già ampiamente utilizzata nel quotidiano.
Applicato ai principali motori di ricerca quali Bing o Google, permette di restituire i risultati ottenuti per mezzo di una parola chiave non in maniera casuale, ma mediante precisi algoritmi, che a loro volta elaborano modelli e schemi di utilizzo delle keyword, così come avviene anche per i suggerimenti forniti all’utente durante la digitazione.
Ulteriore esempio è rappresentato dal “Machine Learning” applicato alla protezione dei dati, così come alla prevenzione delle frodi.
Questo grazie ancora una volta ad algoritmi in grado di fare un confronto tra modelli di accesso, individuando qualsiasi anomalia.
Il “Machine Learning” trova ampio spazio anche in ambito medico e diagnostico dove, grazie all’Intelligenza Artificiale, consente di ottenere diagnosi più accurate, così come di analizzare in maniera estremamente precisa i fattori di rischio legati alle più comuni patologie, concorrendo alla prevenzione di eventuali epidemie.
Un altro esempio di servizio che oggi è concepibile nel mercato automotive, consiste nella guida autonoma.
È possibile effettuare previsioni atmosferiche molto specifiche: per un’automobile a guida autonoma è utile rilevare quando il manto stradale passa dall’asciutto al bagnato con un margine di errore più piccolo possibile, e non basarsi su una generica previsione meteo per l’intera regione.
Il mondo della finanza può adottare soluzioni di “Machine Learning” per effettuare previsioni accurate sui mercati, oppure come strumento di valutazione per l’erogazione di finanziamenti.
Il settore dello sport adotta già oggi metodologie legate ad “Artificial Intelligence” e “Machine Learning” per progettare strumenti che si adattino al meglio agli atleti, offrendo prestazioni elevatissime.
La Formula 1 utilizza i sistemi di “Machine Learning” per dare un senso ai dati raccolti, generando grafici in tempo reale su aspetti come l’impatto dei pit-stop sulla gara, e modellando centinaia di input di dati che coprono così diversi fattori come l’usura degli pneumatici, il tempo, le condizioni della pista, le condizioni del traffico, e i dati storici sulla velocità con cui ogni squadra supera un pit-stop, arrivando addirittura a pronosticare chi ha più possibilità di vincere la gara, tutto questo in tempo reale!
Ad oggi il futuro del “Machine Learning” è tuttavia in prima battuta legato all’ottimizzazione dei processi e al business aziendali.
Il relativo potenziale può infatti aiutare le aziende, piccole o grandi che siano, a trasformare la mole di dati disponibili in un valore aggiunto, permettendo di ottimizzare al meglio le risorse e perseguendo con maggiore rapidità ed efficacia gli obiettivi di business prefissati, il tutto mediante la “stretta collaborazione” tra intervento umano, sempre necessario e imprescindibile, e Intelligenza Artificiale.
La supply chain può beneficiare di tecnologie abilitanti per fornire una catena di approvvigionamento sempre più ottimale, andando a prevedere quali aspetti migliorare nei processi aziendali in funzione al contesto ed agli obiettivi prefissati, prevedendo quando è meglio operare o quando è meglio non intervenire fino ad un determinano momento (“predictive maintenance”).
“Machine Learning” e componente umana
“Machine Learning” e “Artificial Intelligence” aprono scenari affascinanti e opportunità per il nostro presente e futuro.
Occorre tuttavia tenere presente che a fare la differenza resta pur sempre la mente umana, soprattutto in termini di creatività e consapevolezza, caratteristiche ad oggi ancora impossibili da simulare mediante l’ausilio di realtà artificiali.
Per far funzionare quindi un sistema di Intelligenza Artificiale in maniera corretta occorrono sì dati, sì tecnologia, ma anche e soprattutto la “mano umana”, che fornirà gli input necessari a un software basato su algoritmi, gli stessi che a propria volta funzioneranno su di un hardware adatto.
La sostanziale “novità” che caratterizza l’Intelligenza Artificiale è la relativa capacità di imparare, d’altronde “bravi studenti hanno buoni maestri!”.
Conclusioni
Non è dunque possibile auspicare di poter utilizzare con successo qualsiasi dato, magari generato fuori contesto, né tantomeno pensare che debba essere necessariamente utile, nemmeno al più “magico” degli algoritmi.
I dati vanno studiati, curati e — per quanto grandi — selezionati in funzione del contesto appropriato.
La “cultura dei dati” è da sostenere e rafforzare costantemente all’interno di ogni organizzazione, in modo da rendere applicabile un sistema di “Machine Learning” che garantisca effettivi vantaggi in termini di produttività e soddisfazione dei clienti.
Se vuoi sapere come il nostro team può aiutarti a raccogliere, analizzare e sviluppare algoritmi di Machine Learning finalizzati all’obiettivo che ti sei prefissato richiedi uno studio di fattibilità al seguente indirizzo: DataDeep – Studio di fattibilità
