Machine Learning
Cos’è il Machine Learning?
Il Machine Learning (ML) è un sottoinsieme dell’intelligenza artificiale (AI) che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano, un processo attraverso il quale i pc sviluppano il riconoscimento dei pattern, o la capacità di apprendere continuamente ed effettuare previsioni utilizzando i dati per poi apportare modifiche in autonomia, senza una programmazione specifica.
Se dovessimo tradurlo alla lettera, Machine Learning significa “apprendimento automatico”, inteso come la capacità dei computer di apprendere.
Affinché ciò possa essere possibile, gli sviluppatori, tramite algoritmi, programmano computer e robot cercando di “insegnare” come fare a comprendere le nozioni.
Facciamo un esempio: Google, famosissimo motore di ricerca, è in grado di fornirci qualsiasi informazione. Questo avviene perché è un contenitore di informazioni. Ed è proprio qui che si può comprendere la differenza tra un motore di ricerca e un Machine Learning: quest’ultimo, infatti, attraverso degli algoritmi viene “educato” a comprendere innumerevoli nozioni per poi essere in grado di fornire delle soluzioni logiche tramite dei ragionamenti, proprio come avviene nel cervello umano.
A coniare il termine fu Arthur Lee Samuel, scienziato americano pioniere nel campo dell’intelligenza artificiale, nel 1959 anche se, ad oggi, la definizione più accreditata dalla comunità scientifica è quella fornita da un altro americano, Tom Michael Mitchell, direttore del dipartimento Machine Learning della Carnegie Mellon University, il quale ha affermato:
«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».
Detta in parole più semplici: il Machine Learning permette ai computer di imparare dall’esperienza; c’è apprendimento (esperienza) quando le prestazioni del programma migliorano dopo lo svolgimento di un compito o il completamento di un’azione (anche errata, partendo dall’assunto che anche per l’uomo vale il principio “sbagliando di impara”).
Guardando il Machine Learning da una prospettiva informatica, anziché scrivere il codice di programmazione attraverso il quale si “dice” alla macchina cosa fare, al programma vengono forniti “solo” dei set di dati che vengono elaborati attraverso algoritmi sviluppando una propria logica per svolgere il compito richiesto.
Come funziona il Machine Learning?
Il funzionamento del Machine Learning è particolarmente complesso e il suo funzionamento varia in base all’algoritmo utilizzato.
Per spiegarlo in maniera semplice, potremmo dire che un modello di Machine Learning è un computer che esamina i dati, identifica i pattern e utilizza tali informazioni per completare al meglio l’attività assegnata, insegnando a computer e robot a fare azioni e attività in modo naturale come gli esseri umani o gli animali. Per fare questo, gli algoritmi utilizzano metodi matematico – computazionali per apprendere informazioni direttamente dai dati, senza modelli matematici ed equazioni predeterminate.
Quali sono i diversi tipi di modelli di Machine Learning?
Il Machine Learning funziona in linea di principio sulla base di due distinti approcci, identificati dallo stesso Arthur Samuel alla fine degli anni ’50, che permettono di distinguere l’apprendimento automatico in due sottocategorie del Machine Learning a seconda del fatto che si diano al computer esempi completi da utilizzare come indicazione per eseguire il compito richiesto (apprendimento supervisionato) oppure che si lasci lavorare il software senza alcun “aiuto” (apprendimento non supervisionato).
In base alla situazione, gli algoritmi di Machine Learning funzionano con più o meno interventi/rinforzi umani. I quattro principali modelli di machine learning sono:
- l’apprendimento supervisionato;
- l’apprendimento non supervisionato;
- l’apprendimento semi-supervisionato;
- l’apprendimento per rinforzo.
Apprendimento Supervisionato
Con l’apprendimento supervisionato, al computer viene fornito un insieme di dati contrassegnati che gli consente di apprendere come eseguire un’attività umana.
Con questo modello, il meno complesso poiché tenta di replicare l’apprendimento umano, un data scientist insegna all’algoritmo i risultati da generare, esattamente come si fa con un bambino.
Apprendimento non supervisionato
Con l’apprendimento non supervisionato si utilizza un approccio più indipendente, in cui un computer impara a identificare processi e schemi complessi senza la costante guida di una persona.
Al computer vengono forniti dati non contrassegnati, da cui estrae pattern/informazioni precedentemente non noti. Esistono diversi modi con cui gli algoritmi di Machine Learning eseguono tali operazioni, tra cui:
- il clustering, nel quale il computer trova punti dati simili all’interno di un set di dati e li raggruppa di conseguenza (creando “cluster”);
- la stima della densità, nella quale il computer rileva informazioni osservando come viene distribuito un set di dati;
- il rilevamento di anomalie, nel quale il computer identifica i punti dati all’interno di un set che sono significativamente diversi dal resto dei dati;
- l’analisi delle componenti principali (PCA), in cui il computer analizza un set di dati e lo riassume in modo tale che possa essere utilizzato per fare previsioni precise.
Apprendimento semi – supervisionato
Con l’apprendimento semi-supervisionato, il computer è dotato di un set di dati parzialmente contrassegnati e svolge il suo compito utilizzando quelli contrassegnati per comprendere i parametri al fine di interpretare i dati non contrassegnati.
Apprendimento per rinforzo
Con l’apprendimento per rinforzo, il computer osserva il proprio ambiente e utilizza tali dati per identificare il comportamento ideale che ridurrà al minimo il rischio e/o massimizzerà il premio. Questo è un approccio iterativo (procedimento per cui si arriva al risultato attraverso la ripetizione di una serie di operazioni) che richiede una sorta di segnale di rinforzo per aiutare il computer a identificare meglio la sua azione migliore.
Quali sono i vantaggi del Machine Learning?
Il Machine Learning è un catalizzatore per un’impresa solida, flessibile e resiliente. Le organizzazioni intelligenti lo scelgono per generare crescita dall’alto verso il basso, produttività dei dipendenti e soddisfazione dei clienti.
Molte aziende raggiungono il successo con alcuni casi d’uso del Machine Learning, ma questo è solo l’inizio del percorso. La sperimentazione può essere una prima fase, ma in seguito è necessario integrare i suoi modelli nelle applicazioni e nei processi aziendali, in modo da estenderlo a tutta l’azienda.
Comments are closed.