MACHINE LEARNING
Che cos’è il machine learning
Il machine learning (ML) è la branca dell’artificial intelligence che permette di estrarre informazioni strutturate da vaste quantità di dati spesso non strutturati.
I termini “Machine Learning” e “Intelligenza Artificiale” vengono erroneamente utilizzati come sinonimi e in modo interscambiabile, ma non hanno lo stesso significato. La differenza tra i due concetti sta nel fatto che, sebbene tutto ciò che riguarda il machine learning rientra nell’intelligenza artificiale, l’artificial intelligence non include solo il machine learning, ma anche altre discipline come l’ottimizzazione matematica, l’analisi statistica, la previsione basata su serie storiche, la modellazione e la simulazione.
Il machine learning è un metodo di analisi dati che automatizza la costruzione di modelli analitici: i sistemi possono imparare dai dati, identificare modelli e prendere decisioni con un intervento umano ridotto. In questo modo il sistema può migliorare le proprie capacità e prestazioni nel tempo, attraverso l’esperienza.
Alla base dell’apprendimento automatico ci sono algoritmi che, partendo dalle nozioni iniziali fornite alla macchina, potranno prendere una determina decisione in base a quanto hanno appreso.
Definizione di Machine Learning
Il termine Machine Learning fu coniato per la prima volta nel 1959 dallo scienziato americano Arthur Lee Samuel, con l’accezione di “un campo di studi che dà ai computer la capacità di imparare senza essere esplicitamente programmati.”
Si tratta di una definizione primordiale di un concetto che è evoluto molto nel corso del tempo.
Per una definizione più moderna del termine dobbiamo fare un salto temporale di quasi 40 anni per arrivare al 1997, anno di pubblicazione del libro di Tom Michael Mitchell, intitolato appunto “Machine Learning”, che definisce l’apprendimento automatico così: “si dice che un programma per computer apprenda dall’esperienza (E) rispetto ad alcune classi di attività (T) e alla misura delle prestazioni (P) se la sua prestazione in attività in T, come misurata da P, migliora con l’esperienza E”.
Per semplificare la definizione di machine learning, sulla base della nostra esperienza, possiamo affermare che l’apprendimento automatico è una branca dell’intelligenza artificiale che prevede la realizzazione di applicazioni software in grado di imparare a effettuare alcune attività senza essere esplicitamente programmate per farlo. Gli algoritmi di machine learning riescono a estrarre l’informazione contenuta in grandi moli di dati e possono essere usati per risolvere una vasta quantità di problemi che sarebbero difficili o impossibili da risolvere con lo sviluppo di algoritmi convenzionali.
Per un approfondimento relativo ai principali modelli di ML si rimanda alla sezione del nostro sito dedicata.
ML: esempi pratici
Nella vita di tutti i giorni ci capita di interagire spesso con tecnologie che utilizzano forme di ML.
Un esempio fra tutti è quello di Google Translate, che utilizza tecniche di deep learning per tradurre più frasi alla volta da una lingua ad un’altra.
Anche il filtro anti-spam per le email si basa su modelli di apprendimento automatico: le email posso essere classificate come “spam” o “no spam grazie ad un algoritmo di classificazione che apprende dagli esempi che gli vengono forniti.
Un altro esempio che possiamo citare sono i servizi di Expedia, il sito di ricerca e prenotazione di voli e hotel. Attraverso il comando “ricerca tariffa migliore” il sistema fornisce risultati di ricerca imparando e adattandosi costantemente alle variazioni di itinerari, orari e costi di volo.
L’individuazione di volti nelle foto, pratica normale per tutti i cellulari e le telecamere al giorno d’oggi, è un esempio di apprendimento non supervisionato. Il riconoscimento facciale rende possibile il riconoscimento di tutte le facce in una determinata immagine e di comprendere tutte le caratteristiche di un volto in modo tale da distinguerlo dagli altri.
Giocare a scacchi con il machine learning? Si può fare. Stockfish, un motore scacchistico 11 volte campione del mondo, ha dato del filo da torcere ad una grande maestro degli scacchi, Magnus Carlesen, durante l’ultimo campionato mondiale. Un motore scacchistico si basa su un apprendimento per rinforzo. Infatti, il numero di mosse possibili è molto elevato ed è impossibile calcolare tutte le alternative. La potenza quindi di questi programmi è legata al calcolo di variabili e alla definizione del valore atteso delle azioni in condizioni di incertezza. In altre parole, si tratta quindi di un sistema che apprende direttamente dai propri errori.
Il machine learning nel mondo del business
In aHead Research modelliamo e sviluppiamo algoritmi di machine learning supervisionato e non supervisionato per estrarre dai dati informazioni utili al mondo del business.
Nel settore della GDO, infatti, aiutiamo i nostri partner e clienti a prevedere le vendite dei prodotti nella grazie a modelli di apprendimento supervisionato che, basando le loro analisi sui dati storici, cercano di definire una relazione tra le vendite future e le vendite passate.
Un altro esempio di applicazione industriale riguarda il settore del manufacturing: attraverso i nostri modelli di machine learning siamo in grado di effettuare operazioni di anomaly detection, attraverso l’identificazione di elementi, eventi o osservazioni rari che sollevano sospetti differendo in modo significativo dalla maggior parte dei dati.
Negli impianti di produzione, queste operazioni ci permettono di identificazione i macchinari in procinto di subire dei guasti : infatti, in base ai dati raccolti dall’impianto, vengono sviluppati algoritmi in grado di classificare i vari tipi di guasto e di prevedere anomalie che potrebbero determinare un guasto, riducendo quindi i costi ed evitando interruzioni improvvise nella produzione.