Il machine learning è l’abilità delle macchine di imparare senza essere state preventivamente programmate. Si basa sull’idea che i sistemi possono imparare dai dati e prendere decisioni con un intervento umano ridotto al minimo.
I termini Machine Learning e Intelligenza Artificiale (AI) sono spesso utilizzati in modo intercambiabile, ma non sono la stessa cosa. L’Intelligenza artificiale infatti si riferisce genericamente a sistemi o macchine che imitano l’intelligenza umana. Invece l’apprendimento automatico o Machine Learning cos è: è un sottoinsieme di essa che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano.
Leggi anche: Digital Transformation, tutto quello che c’è da sapere
Machine Learning cos è
Il Machine Learning rappresenta uno dei passi avanti più importanti nella storia dell’intelligenza artificiale. Consiste nella creazione di algoritmi capaci di far migliorare il comportamento di una macchina attraverso l’esperienza. Si riferisce al processo tramite cui i computer sviluppano il riconoscimento e la costruzione di modelli analitici; ovvero la capacità di apprendere ed effettuare previsioni utilizzando i dati raccolti.
Il machine learning automatizza il processo di apprendimento delle macchine e consente loro di adattarsi a nuovi scenari in autonomia, senza essere state programmate per farlo. Ecco perché il machine learning interviene soprattutto in contesti per i quali i programmatori non possono prevedere a priori tutte le possibilità di sviluppo.
Che differenza c’è tra intelligenza artificiale e machine learning?
Come anticipato nell’introduzione, il Machine Learning è un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano. Per chiarire meglio: grazie all’intelligenza artificiale un computer o robot riesce ad emulare alcuni comportamenti umani. Il machine learning è più complesso, e fa un passo in più: fa sì, infatti, che la macchina non solo imiti in modo ‘statico’, ma apprenda, in modo dinamico e autonomo. Il suo comportamento potrà quindi modificarsi e migliorare nel tempo in base agli stimoli ricevuti dall’esterno.
Come nasce il concetto
L’interesse degli studiosi al machine learning si accese a partire dagli anni Cinquanta. Alan Turing (uno dei padri dell’informatica e pioniere dell’Intelligenza artificiale) nel suo articolo “Computing Machinery and Intelligence” ipotizzò la possibilità di sviluppare macchine in grado di apprendere e dunque diventare intelligenti. Il termine Machine learning nacque poco dopo, nel 1959, coniato dallo scienziato statunitense Arthur Lee Samuel.
La definizione di apprendimento automatico arrivò nel 1986 e fu formulata da Tom M. Mitchell, direttore del dipartimento di Machine Learning alla Carnegie Mellon University di Pittsburgh. Nella sua famosa pubblicazione “Machine Learning” del 1986, scrisse:
“Si dice che un programma apprenda dall’esperienza E con riferimento ad alcune classi di compiti T (tasks, ndr) e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E”.
Lo studioso dunque dice che l’apprendimento c’è quando le prestazioni del programma migliorano in seguito all’esperienza, ovvero allo svolgimento di un compito o di azione.
Leggi anche: Digital Marketing, tutto quello che c’è da sapere
Cosa si intende per Machine Learning a cosa serve?
Entriamo nel merito di questa disciplina: il machine learning cos è e come nasce? L’apprendimento automatico è stato reso possibile grazie allo sviluppo della rete neurale artificiale, un particolare modello matematico che si ispira ai neuroni umani. Punta alla soluzione di diversi problemi in base agli input ricevuti e ai risultati ottenuti a seconda delle scelte effettuate. All’interno di una rete neurale ogni azione è sempre il risultato di calcoli volti a verificare i parametri e a definire le incognite.
Per gli esseri umani, l’apprendimento è un processo iterativo che consente di migliorare le proprie conoscenze a seconda delle informazioni che vengono raccolte ed elaborate. Per le macchine è la stessa cosa: ricavano i modelli di apprendimento dai dati di input che analizzano. Questi modelli, poi, costruiscono algoritmi di apprendimento per la risoluzione di uno specifico problema. Gli algoritmi sono dunque i motori che alimentano il Machine Learning, ma si differenziano dagli algoritmi tradizionali. In questo caso infatti il programmatore non imposta dati, parametri o strategie predefinite necessari allo svolgimento di un compito; bensì organizza il modo con cui il computer potrà imparare da solo.
Come funziona il Machine Learning?
Machine Learning: cos è? Gli algoritmi di Machine Learning si dividono a seconda del modo in cui apprendono e dei compiti che sono più adatti a perseguire. La differenza sta nel diverso contesto entro cui si deve muovere la macchina per apprendere le regole che la portano alla conoscenza.
L’apprendimento automatico viene classificato in quattro categorie. Due le principali:
- Apprendimento supervisionato. È il modello più utilizzato e consiste nel fornire al computer i dati completi per eseguire il compito richiesto. In altre parole, il data scientist agisce da guida inserendo tutti i possibili esempi di input e i rispettivi output desiderati. L’obiettivo è estrarre una regola generale che associ l’input all’output corretto. Quando la macchina si trova ad affrontare un problema, dovrà limitarsi a pescare dalle esperienze codificate inserite nel proprio sistema; esaminarle; e scegliere quale risposta fornire. La macchina, quindi, opera a partire da un set di dati già etichettato e con un output predefinito. Questo modello è utilizzato nel settore medico; nel riconoscimento vocale (negli smartphones o in dispositivi per la casa come Alexa e Google Home); o nell’identificazione della scrittura manuale.
- Apprendimento non supervisionato. In questo caso l’algoritmo ha lo scopo di trovare una struttura negli input forniti, senza che essi siano stati preventivamente etichettati. Le nozioni inserite all’interno della macchina dunque non sono codificate; i computer imparano a identificare schemi e processi senza la guida costante di una persona. Deve essere la stessa macchina, senza essere stata prima programmata sulle diverse possibilità di output a seconda degli input selezionati, a prendere decisioni. Un esempio di apprendimento non supervisionato sono gli algoritmi dei motori di ricerca; quelli di clustering k-means e le regole di associazione, utilizzati nel data mining per scoprire le regole che descrivono vaste porzioni di dati; le regole di raggruppamento, per raggruppare i dati con caratteristiche simili.
Gli altri modelli di Machine Learning
- Apprendimento per rinforzo. Questo modello 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. Esempi di apprendimento così si trovano nei computer in grado di sfidare un umano in un gioco o la guida automatica di un veicolo.
- Apprendimento semi-supervisionato. A metà strada tra l’apprendimento supervisionato e quello non supervisionato, tale modello ibrido prevede che l’insegnante fornisca alla macchina un dataset incompleto per l’allenamento. Il computer cioè è fornito di un insieme di dati di input senza il rispettivo output desiderato.
La scelta di un algoritmo di machine learning rispetto ad un altro dipende da fattori correlati alla struttura; al volume dei dati; e al caso d’uso a cui si desidera applicarlo. Uno specifico approccio, così, viene utilizzato a seconda delle richieste di apprendimento, per garantire la massima performance e il miglior esito possibile.
Quando usare il Machine Learning?
Ora che abbiamo approfondito il machine learning, cos è e come funziona, vediamo quali sono gli ambiti di applicazione. Il machine learning ormai permea la nostra vita quotidiana. Ci interfacciamo con uno strumento basato su di esso nell’home banking, quando acquistiamo online o utilizziamo i social media.
Gli algoritmi di machine learning possono essere adottati in una vasta gamma di settori:
- Calcolo del valore del ciclo di vita del cliente. Nell’e-commerce, ma non solo, le aziende utilizzano il machine learning per identificare, conoscere e fidelizzare i clienti più importanti. Questi modelli valutano enormi quantità di dati dei clienti per determinare i più fidelizzati e indirizzarvi azioni di marketing; o puntano ad attirare nuovi clienti con profili simili al loro.
- Calcolo del tasso di abbandono dei clienti. Aiuta le aziende a ottimizzare le offerte di sconto, le campagne e-mail e altre iniziative di customer retention.
- Determinazione dei prezzi dinamici. Permette alle organizzazioni di definire i prezzi basandosi sulla domanda e sul livello di interesse del cliente target; in una parola, per comprendere come cambia la disponibilità dei clienti a pagare per un bene o un servizio.
- Profilazione dei clienti. Oggi gli algoritmi di clustering consentono di suddividere i clienti in gruppi in base a caratteristiche come dati demografici e comportamento di navigazione o acquisto. L’obiettivo è offrire il prodotto giusto alla persona giusta e fornire esperienze di navigazione personalizzate; capita spesso, infatti, di imbattersi in pubblicità di prodotti di cui abbiamo appena parlato o che abbiamo appena cercato in rete.
- Classificazione delle immagini. In questo caso le macchine assegnano un’etichetta a un gruppo di immagini di input; si possono così creare piani di costruzione 3D basati su progetti 2D; facilitare l’applicazione di tag alle foto nei social media; comunicare diagnosi cliniche.
- Motori di raccomandazione. Sono strumenti essenziali per le strategie di cross-selling e up-selling rivolte ai consumatori e per offrire una migliore Customer Experience. Aziende come Netflix e Amazon guadagnano miliardi di dollari all’anno solo grazie a questi sistemi.
Il futuro del Machine Learning
Negli ultimi anni la ricerca sull’apprendimento automatico ha fatto enormi progressi e le possibilità di sviluppo sono ancora molte (The Rise of Machine Learning). I settori di applicazione possono andare dai robot di domotica ai dispositivi intelligenti dell’Internet of Things (IoT), come le smart band indossabili.
Ancora più ampie le possibili applicazioni nella data science e nella gestione intelligente dei Big data; come i metodi di Deep learning o apprendimento profondo basati sulle reti neurali. Anche l’ambiente può giovarne; i modelli predittivi alla base delle “smart cities” permettono una migliore gestione delle risorse e la riduzione di sprechi ed energia.