Machine learning: cos’è e come funziona l’apprendimento automatico

Machine learning: cos’è e come funziona l’apprendimento automatico

Il termine Machine Learning è l’abilità delle macchine di imparare senza essere state preventivamente programmate.

Machine Learning cos è: in italiano si traduce con apprendimento automatico. È una disciplina che rientra in una branca dell’informatica che è una parente stretta dell’intelligenza artificiale. Il ML è una delle tecnologie utilizzate nella Digital Transformation.

Non è semplice, né immediato, definire le caratteristiche e le applicazioni del Machine Learning. Argomento vasto da trattare, prevede anche diverse tecniche e differenti strumenti per venire realizzato.

Questo, sommato allo sviluppo degli algoritmi, crea innumerevoli possibilità di utilizzo. Allargando così il campo di applicazione dell’apprendimento automatico e rendendolo difficile da definire.

Leggi anche: Digital Transformation, tutto quello che c’è da sapere

Machine Learning cos è: definizione

Qualcuno ci ha provato e questo tentativo lo dobbiamo ad Arthur Lee Samuel, scienziato statunitense pioniere dell’Intelligenza Artificiale. Nel 1959, Samuel coniò, infatti, il termine Machine Learning. In realtà, a oggi, una definizione univoca e accreditata esiste. È stata formulata da Tom Micheal Mitchel, direttore del dipartimento di Machine Learning alla Carnegie Mellon University:

“Si dice che un programma apprenda 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.

Si può dire che il Machine Learning consente ai computer (le macchine) di imparare dall’esperienza, intesa come esperienza di un programma informatico, non quella umana. L’apprendimento, quindi l’esperienza, c’è quando le prestazioni del programma migliorano in seguito allo svolgimento di un compito o di azione. Non importa che la riuscita sia positiva perché la macchina impara anche dagli errori.

Gli algoritmi di Machine Learning

Per gli umani, l’apprendimento è un processo iterativo che ci consente di migliorare le nostre conoscenze a seconda dell’informazione che raccogliamo ed elaboriamo.

Per le macchine è la stessa cosa: ricavano modelli di apprendimento dai dati (Big Data) di input che analizzano. Questi modelli, poi, costruiscono algoritmi di apprendimento per la risoluzione di uno specifico problema.

È importante, quindi, differenziare gli algoritmi tradizionali da quelli di Machine Learning. Se nel primo caso, il programmatore definisce i dati e i parametri necessaria allo svolgimento e alla risoluzione del compito, nel secondo caso non è così.

Negli algoritmi di Machine learning, il programmatore non imposta strategie predefinite o modelli. Fa in modo che il computer possa imparare da solo, eseguendo l’attività e migliorandone l’esecuzione.

Leggi anche: Digital Marketing, tutto quello che c’è da sapere

I modelli di Machine Learning

Il Machine Learning si realizza sulla base di due diversi approcci, identificati dallo stesso Arthur Samuel alla fine degli anni ’50.

Questi consentono di separare l’apprendimento automatico in due categorie. Se al computer si forniscono dati completi per eseguire il compito richiesto è apprendimento supervisionato. Se, invece, si lascia la macchina lavorare senza nessun supporto si parla di apprendimento non supervisionato.

Oltre alla divisione dicotomica, però, esistono anche delle sottocategorie (apprendimento per rinforzo e apprendimento semi-supervisionato)

I modelli vengono utilizzati in maniera diversa relativamente alla macchina su cui si deve operare, per garantire la massima performance e il migliore esito possibile.

  • Apprendimento supervisionato, è quello più utilizzato. Con questo modello un data scientist agisce da guida e insegna all’algoritmo i risultati da generare. Così, quando la macchina si trova ad affrontare un problema, dovrà pescare dalle esperienze codificate e inserite nel proprio sistema, esaminarle e scegliere quale risposta fornire. La macchina deve, quindi, essere solamente in grado di decidere quale sia la risposta migliore allo stimolo che le viene dato.

Questo tipo di modello è utilizzato in settori come quello medico, quello del riconoscimento vocale o quello dell’identificazione della scrittura manuale.

  • Apprendimento non supervisionato, o senza supervisione, usa un approccio più indipendente e quindi che le nozioni programmate all’interno della macchina non siano codificate. Il computer impara a identificare schemi e processi senza una guida costante di una persona. Deve essere la stessa macchina a prendere decisioni, registrando le informazioni e imparando il loro significato. È un tipo di apprendimento che concede, alla macchina, una maggiore libertà di scelta.

Problemi di apprendimento non supervisionato

I problemi di apprendimento non supervisionato possono essere suddivisi in:

  1. Associazione: si vogliono scoprire regole che descrivono vaste porzioni di dati, ed è per questo strettamente collegato al Data Mining
  2. Raggruppamento: modello scelto quando è necessario raggruppare i dati con caratteristiche simili

Un esempio di apprendimento non supervisionato di machine learning sono gli algoritmi dei motori di ricerca. Ma anche gli algoritmi di clustering k-means, l’analisi di componenti principali e indipendenti e le regole di associazione rientrano in questo modello.

Due sottocategorie di Machine Learning

Apprendimento per rinforzo, è ritenuto il sistema più complesso. Prevede che il computer sia attrezzato con strumenti e sistemi capaci di migliorare il proprio apprendimento e di capire le caratteristiche dell’ambiente circostante. In questo caso, il sistema deve interagire con un ambiente dinamico e quindi raggiungere un obiettivo imparando anche dagli errori. Gli esempi di apprendimento di questo tipo: il computer in grado di battere un avversario o la guida con pilota automatico.

Apprendimento semi-supervisionato, è un modello considerato ibrido. La macchina ha già inserito un set di dati non del tutto completi per il processo di apprendimento. Alcuni prevedono esempi di output conosciuti, come nell’apprendimento supervisionato, altri no proprio come in quello non supervisionato.

Altri approcci di Machine Learning

Oltre alla classificazione dicotomica e ai sottogruppi, il Machine Learning prevede l’esistenza anche approcci pratici, difficili da ritenere vere e proprie sottocategorie.

Esistono, per esempio, approcci basati su altri grafi che sviluppano modelli predittivi oppure quello dei cosiddetti modelli probabilistici. Molto note sono le reti neurali artificiali. Esse sfruttano per l’apprendimento alcuni algoritmi ispirati al funzionamento, alla struttura e alle connessioni delle reti neurali biologiche, quelle degli esseri umani.

Machine Learning nella vita quotidiana

Quando si parla delle applicazioni di apprendimento automatico si pensa solo a campi iper-specifici, in settori che non competono la vita quotidiana dei comuni cittadini.

Pensare così è sicuramente un errore. Il machine learning, infatti, già da anni fa parte delle nostre vite. Più passa il tempo più il nostro rapporto con l’apprendimento automatico si fa sempre più stretto.

Gli smartphone, che accompagnano in ogni momento della nostra giornata, sono dotati di un’applicazione classica di machine learning che è quella del riconoscimento vocale. Questo gli consente di attivare comandi tramite la propria voce. I vari Alexa e Google Home sono ormai sempre più presenti nelle case anche degli italiani.

La profilazione che avviene quando navighiamo su internet non è altro che un ulteriore utilizzo dell’apprendimento automatico. Ci stupiamo spesso di aver appena parlato di un determinato prodotto e di trovarcelo subito dopo nelle pubblicità consigliate sui vari social network. Oppure, l’analisi delle ricerche effettuate in rete riconosce i nostri gusti e ci offre prodotti e servizi simili a quelli cercati. Anche l’ambiente ne può giovare, grazie a modelli predittivi che permettano una migliore gestione delle risorse.

Il futuro del Machine Learning

È indubbio che negli ultimi anni la ricerca abbia progressi enormi per quanto riguarda le forme di apprendimento intelligente. Ma è anche vero che c’è ancora molto da perfezionare. Le possibilità di sviluppo sono ancora potenzialmente infinite, legate a diversi settori di applicazione anche di uso comune, non solo scientifici o legati alla ricerca.

Dalla domotica alle macchine in grado di effettuare scelte intelligenti, le possibilità sono inimmaginabili e l’unico ostacolo al loro massimo sviluppo può essere l’uomo.

La paura di essere superati dalle macchine è uno spauracchio che da sempre spaventa l’essere umano. Cè anche la paura degli uomini di venir rimpiazzati al lavoro dai robot e dall’intelligenza artificiale. Romanzi e film raccontano da anni previsioni più o meno catastrofiche di quando i computer supereranno l’uomo. Non ci resta che scoprire se sarà così o no.