In questo articolo, realizzato propriodall’Osservatorio Artificial Intelligence, analizziamo la definizione e il funzionamento del Machine Learning, i suoi principali metodi di apprendimento, le applicazioni concrete e le strategie per una corretta implementazione in azienda.
“Si dice che un programma apprende dall’esperienza E con riferimento a 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.” Questa è la più citata definizione di Machine Learning, dell’americano Tom M. Mitchell. Le sue parole risalgono al 1997, ma il termine è stato coniato ben prima – ossia al 1959 – dallo scienziato americano Arthur Lee Samuel.
La traduzione italiana di Machine Learning (o learning machine) è apprendimento automatico. Con questo termine ci si riferisce quindi a sistemi in grado di apprendere dall’esperienza, con un meccanismo simile (almeno in apparenza) a ciò che un essere umano fa dalla nascita.
Dal punto di vista informatico, cambia radicalmente l’approccio del programmatore. Prima era necessario scrivere dettagliate righe di codice per istruire la macchina su cosa fare situazione per situazione. Oggi invece è l’algoritmo stesso a sviluppare una sua logica e conseguentemente a compiere determinate azioni, a seconda del set di dati a disposizione.
Nonostante il Machine Learning sia stato teorizzato nel 1959, solo oggi ha la possibilità di diventare concreto, grazie alla maggiore disponibilità di due principali elementi abilitanti: grandi volumi di dati e capacità di calcolo.
Il Machine Learning rappresenta una strada per l’applicazione dell’Artificial Intelligence, un ramo della computer science che studia lo sviluppo di sistemi Hardware e Software dotati di capacità tipiche dell’essere umano (es. interazione con l’ambiente, ragionamento, pianificazione, ecc.).
Come detto, il Machine Learning si basa su algoritmi che apprendono dai dati per migliorare progressivamente le proprie prestazioni. Il Deep Learning (in italiano “apprendimento approfondito”) rappresenta invece un sottoinsieme del Machine Learning, ed è anche la sua frontiera più evoluta. Racchiude un insieme di tecniche che simulano i processi di apprendimento del cervello attraverso reti neurali artificiali stratificate. Il risultato è la capacità di risolvere problemi di apprendimento automatico molto complessi senza la necessità di introdurre un pre-processamento dei dati, elemento solitamente indispensabile con le tradizionali tecniche di Machine Learning.
| Concetto | Definizione | Relazione con gli altri ambiti | Esempi di applicazione |
| Artificial Intelligence (AI) | Ramo della computer science che studia lo sviluppo di sistemi hardware e software capaci di svolgere funzioni tipiche dell’intelligenza umana | È l’ambito più ampio che include diverse tecniche, tra cui il Machine Learning | Sistemi di raccomandazione, chatbot, visione artificiale, elaborazione del linguaggio naturale, elaborazione intelligente dei dati, soluzioni fisiche come veicoli autonomi |
| Machine Learning (ML) | Insieme di algoritmi che consentono ai sistemi di “apprendere” dai dati e migliorare le proprie prestazioni nel tempo senza essere esplicitamente programmati. | Una sottocategoria dell’AI: rappresenta una modalità di applicazione dell’Intelligenza Artificiale. | Personalizzazione di campagne pubblicitarie, rilevamento di frodi, manutenzione predittiva |
| Deep Learning (DL) | Sottoinsieme del Machine Learning basato su reti neurali profonde, in grado di elaborare grandi quantità di dati e risolvere problemi complessi come la comprensione del linguaggio. | È la frontiera più evoluta del Machine Learning, in cui i modelli colgono aspetti anche molto complessi dei dati. | Riconoscimento di immagini e oggetti, traduzione automatica, analisi di immagini, speech recognition |
Tra le principali modalità di apprendimento utilizzate in ambito Machine Learning troviamo due tipologie:
Approfondiamone caratteristiche e differenze.
In questo approccio, gli algoritmi predittivi vengono addestrati con dati già etichettati (esempi di input di cui si conoscono già gli output corretti) al fine di descrivere al meglio la relazione tra dati in ingresso e dati in uscita.
Con l’apprendimento supervisionato si possono eseguire importanti compiti come:
Un esempio concreto: un sistema di riconoscimento di immagini mediche che impara a identificare patologie specifiche dopo essere stato addestrato su migliaia di immagini già classificate da medici esperti.
A questa modalità si contrappone l’apprendimento non supervisionato, applicato su dati senza etichetta o non strutturati, in cui l’algoritmo deve analizzare autonomamente i dati al fine di individuare relazioni nascoste e trovare schemi ricorrenti.
Le tecniche più comuni includono:
Oltre a questi due approcci principali, esistono altri metodi come:
Come funziona il Machine LearningAll’atto pratico, un algoritmo di Machine Learning esplora i dati (a partire da un set di addestramento già etichettato o in maniera autonoma, come si vedrà nel prossimo paragrafo) per ricavarne correlazioni, pattern e quindi modelli predittivi. La logica è prettamente induttiva: la macchina osserva un determinato campione di dati e ne ricava delle regole, successivamente va a osservare altri dati e a modificare di conseguenza le proprie conoscenze.
Il processo di sviluppo di un sistema di Machine Learning generalmente segue questi passaggi:
È chiaro che più sono i dati disponibili e, soprattutto, maggiore è il numero delle fonti dati che si è in grado di integrare, maggiore sarà la capacità dell’algoritmo di fare delle previsioni esatte. Inoltre, il valore del Machine Learning si esprime ancor di più in presenza di dati destrutturati, quali immagini, testi o video, che era estremamente oneroso e poco efficace analizzare con metodologie tradizionali.
Se da un lato i Big Data sono quindi un elemento fortemente abilitante per questo tipo di progettualità, dall’altro è proprio la gestione dei Big Data a rimanere la parte più complessa del processo.
Raccogliere grandi quantità di dati, integrarli e prepararli per sviluppare progettualità innovative che non rimangano nei laboratori di Ricerca e Sviluppo ma siano scalabili ed entrino con prepotenza nei processi di business, rimane la principale sfida per il futuro e questa la condizione essenziale all’effettiva estrazione di valore da progettualità di Machine Learning.
Il potenziale che deriva dall’intreccio di questi due elementi è davvero enorme. Big Data e Machine Learning, se integrati correttamente, si potenziano a vicenda e permettono, ad esempio, di ottenere insight e previsioni future. I dati, come già detto, sono infatti la materia prima che alimenta gli algoritmi. Successivamente, grazie a analisi predittive o processi di data mining, è possibile trasformare questi dati in informazioni preziose per le aziende, utili a guidare il processo decisionale e strategico.
Oltre al Deep Learning, di cui abbiamo già parlato, in base alle tecniche di apprendimento è possibile suddividere il Machine Learning in altre cinque diverse aree, che analizziamo di seguito.
L’Online Learning – detto anche Real Time Machine Learning o Apprendimento automatico in tempo reale – è un ramo di Machine Learning che studia tecniche per problemi in cui i dati diventano disponibili uno dopo l’altro e le decisioni devono essere prese man mano che un dato diventa disponibile.
Date queste caratteristiche, si presuppone una sorta di processo a catena: all’aumentare dei dati aumenta anche l’accuratezza delle decisioni, che a loro volta influenzeranno l’acquisizione dei dati e le decisioni successive fino a raggiungere un livello ottimale.
La Model Prediction, o Modellazione Predittiva, include una varietà di metodologie e tecniche capaci di estrarre conoscenza da dati precedentemente acquisiti per fare previsioni su dati o eventi nel futuro.
Il cuore delle tecniche di Model Prediction risiede nella capacità di apprendere modelli partendo dai dati a disposizione. Tali modelli saranno poi in grado di operare su nuovi dati fornendo predizioni su comportamenti o risultati futuri (come fare previsioni sugli ordini d’acquisto da parte dei clienti in base agli acquisti già effettuati).
L’Explainable Regression & Classification comprende le tecniche di Machine Learning atte a risolvere problemi di regressione (predizione di quantità ordinali) e di classificazione, tali da permettere la spiegazione dei risultati ottenuti. Questo approccio è particolarmente importante in settori regolamentati dove la trasparenza decisionale è fondamentale, come ad esempio nell’ambito finanziario.
L’Information Retrieval è l’insieme delle tecniche utilizzate per gestire la rappresentazione, la memorizzazione, l’organizzazione e l’accesso ad oggetti contenenti informazioni quali documenti, pagine web, cataloghi online e oggetti multimediali. I motori di ricerca moderni si basano ampiamente su queste tecniche avanzate.
Il Reinforcement Learning, infine, è una tecnica di apprendimento automatico atta a risolvere problemi decisionali sequenziali mediante il conseguimento di determinati obiettivi tramite l’interazione con l’ambiente in cui opera. È particolarmente efficace nella robotica, nei giochi e nei sistemi di raccomandazione. Il Reinforcement Learning si ispira al modo in cui gli esseri umani imparano attraverso tentativi ed errori.
L’implementazione di sistemi di Machine Learning può portare numerosi benefici tangibili alle organizzazioni. Ecco alcuni dei vantaggi più comuni:
Data la sua versatilità, il Machine Learning vede diverse applicazioni che contribuiscono alla diffusione dell’Intelligenza Artificiale. Applicazioni che vedono la luce in numerosi settori dove sono disponibili grandi volumi di dati dai quali si possono raccogliere informazioni utili, dai servizi finanziari al Marketing, fino alla diagnosi medica o i trasporti, andando ben oltre il classico suggerimento di serie televisive da guardare su Netflix. Ecco alcuni esempi:
Ecco alcuni passi fondamentali per iniziare introdurre il Machine Learning nella propria organizzazione:
Le aziende che sapranno integrare efficacemente il Machine Learning nei loro processi non solo otterranno vantaggi competitivi significativi, ma si posizioneranno favorevolmente per prosperare nell’economia digitale del futuro. La chiave del successo risiede non tanto nell’adozione della tecnologia in sé, quanto nella capacità di identificare i problemi aziendali più adatti a essere risolti attraverso l’apprendimento automatico e nell’implementazione di una strategia data-driven coerente.
Contenuti suggeriti dell’Osservatorio Artificial Intelligence
