Macchine che apprendono: non è fantascienza ma realtà. Il Machine learning, sottoinsieme deputato all’apprendimento delle macchine (hardware e software) è un tema che sta attirando l’attenzione di esperti, critici, aziende e persone.
Non è raro, in merito all’Intelligenza Artificiale, che apprendimento e automatismi vengano emulati, creando ambienti e agenti virtuali utilizzati per testare gli algoritmi e misurarne i risultati. Il Machine learning si adatta al contesto senza che l’uomo gli impartisca ordini specifici nel merito.
Ecco spiegato il motivo per il quale abbiamo deciso di approfondire questo argomento con un articolo dedicato.
Che cos’è il machine learning?
Il machine learning è un ramo dell’Intelligenza Artificiale e dell’informatica che si concentra sull’utilizzo di dati e algoritmi per imitare il modo in cui gli esseri umani apprendono, migliorando in modo graduale la sua accuratezza.
La coniazione del termine “machine learning” è attribuita a uno dei dipendenti di IBM, Arthur Samuel, con la sua famosa ricerca sul gioco della dama. La storia è pressoché questa: Robert Nealey giocò una partita a dama con un computer IBM 7094 nel 1962 e fu battuto. All’epoca suscitò una certa meraviglia.
Oggi questa impresa sembra quasi banale ma è considerata un’importante pietra miliare nel campo dell’AI. Negli ultimi dieci anni infatti i progressi tecnologici nello storage e nella potenza di elaborazione hanno reso possibili alcuni prodotti innovativi basati sul machine learning.
Qual è la connessione tra l’apprendimento automatico e l’intelligenza artificiale?
Il machine learning è essenzialmente una strada per l’attuazione dell’Intelligenza artificiale. Automatizza la costruzione del modello analitico e usa metodi di reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati.
Una rete neurale è ispirata al funzionamento del cervello umano. È un sistema di calcolo costituito da unità interconnesse (come i neuroni) che elaborano le informazioni rispondendo a input esterni, trasmettendo quindi le relative informazioni tra diverse unità.
Un esempio classico di machine learning è rappresentato dai sistemi di visione artificiale ovvero la capacità di un sistema computazionale di riconoscere oggetti acquisiti digitalmente da sensori di immagine.
L’algoritmo impiegato in questi casi dovrà riconoscere determinati oggetti, distinguendoli tra animali, cose e persone, e nello stesso tempo avere memoria di ciò che si è fatto per impiegarlo efficacemente nelle prossime acquisizioni di visione artificiale impiegate soprattutto nei sistemi Automotive.
Differenza tra Machine learning e Deep learning
Prima di andare avanti è importante approfondire due concetti fondamentali, ossia quello di machine learning e deep learning.
Il machine learning è ciò che insegna alle macchine a fare ciò che fanno gli uomini, con la stessa naturalezza.
Il deep learning è una sotto-categoria del machine learning che si concentra sull’utilizzo di reti neurali artificiali con molti strati di elaborazione per apprendere rappresentazioni di dati sempre più complesse.
Questi modelli sono in grado di apprendere da grandi quantità di dati e possono essere utilizzati per una vasta gamma di applicazioni, tra cui la computer vision, il riconoscimento del parlato, la traduzione automatica e molto altro ancora.
Quali sono le tipologie di Machine Learning?
L’apprendimento di queste macchine avviene tramite dei complessi algoritmi ed il Machine Learning può essere diviso in tre principali sotto-categorie:
apprendimento supervisionato: alla macchina vengono forniti sia degli input (ossia dei dati) sia degli output, ossia alcuni esempi che corrispondano al risultato atteso. In questo modo la macchina attraverso l’elaborazione dei dati deve comprendere il nesso tra input e output e ricavarne una regola generale da applicare anche in seguito;
non supervisionato: prevede la messa a disposizione di soli input e nessun output di esempio;
rinforzato: un metodo di apprendimento automatico che si basa sulla definizione di una «situazione» e una «risposta» in un ambiente dinamico. In questo caso, l’algoritmo di apprendimento cerca di imparare a prendere decisioni a seguito di una ricompensa o punizione (cioè il rinforzo) che riceve in seguito alle azioni che compie. Il sistema di apprendimento deve imparare a selezionare l’azione giusta in base alla situazione in cui si trova, al fine di massimizzare la ricompensa che riceve e a diminuire le punizioni.
Come funziona il machine learning
Il machine learning è una componente importante del crescente campo della data science. Gli algoritmi di machine learning vengono di norma creati utilizzando framework che accelerano lo sviluppo di soluzioni, come TensorFlow e PyTorch.
Mediante l’uso di metodi statistici, gli algoritmi vengono addestrati a fare classifiche o previsioni e a individuare insight chiave all’interno dei progetti di data mining. Questi insight, successivamente, promuovono il processo decisionale nelle applicazioni e nelle aziende, incidendo auspicabilmente sulle metriche di crescita.
Man mano che i big data continuano ad espandersi e a crescere, la domanda di mercato di data scientist è destinata ad aumentare.
L’Università Berkeley della California suddivide il sistema di apprendimento di un algoritmo di machine learning in tre parti principali.
- Un processo decisionale: in generale, gli algoritmi di machine learning sono utilizzati per fare una previsione o una classificazione. Sulla base di alcuni dati di input, che possono essere etichettati o non etichettati, l’algoritmo produrrà una stima su un modello nei dati.
- Una funzione di errore: una funzione di errore valuta la previsione del modello. Se esistono degli esempi noti, una funzione di errore può fare un confronto per valutare l’accuratezza del modello.
- Un processo di ottimizzazione del modello: se il modello può adattarsi meglio ai punti di dati nel set di addestramento, allora i pesi vengono regolati per ridurre la discrepanza tra l’esempio noto e la stima del modello. L’algoritmo ripeterà questo processo di “valutazione e ottimizzazione”, aggiornando i pesi in modo autonomo fino a raggiungere una soglia di accuratezza.
Casi di utilizzo del machine learning
Per comprendere nei fatti come utilizzare il Machine learning citeremo di seguito alcuni esempi di machine che potresti incontrare ogni giorno.
Servizio clienti
I chatbot online stanno sostituendo gli agenti umani lungo il percorso dei clienti, cambiando il modo di concepire il coinvolgimento dei clienti nei siti web e nelle piattaforme di social media. I chatbot rispondono a domande frequenti su argomenti come la spedizione, oppure forniscono suggerimenti personalizzati, fanno cross-selling di prodotti o suggeriscono le taglie agli utenti.
Degli esempi includono gli agenti virtuali nei siti di e-commerce, i bot di messaggistica, che utilizzano Slack e Facebook Messenger, e le attività normalmente svolte da assistenti virtuali e assistenti vocali.
Motori di suggerimenti
Utilizzando i dati relativi ai comportamenti di consumo passati, gli algoritmi di AI possono aiutare a individuare le tendenze dei dati che possono essere utilizzate per sviluppare strategie di cross-selling più efficaci.
Questo approccio viene utilizzato dai rivenditori online per fornire ai clienti suggerimenti pertinenti sui prodotti durante il processo di pagamento in cassa.
Trading azionario automatizzato
Progettato per ottimizzare i portafogli azionari, le piattaforme di trading ad alta frequenza basate sull’AI effettuano migliaia o anche milioni di operazioni di trading al giorno senza l’intervento umano.
Rilevamento delle frodi
Banche e altri istituti finanziari possono utilizzare il machine learning per individuare transazioni sospette. L’apprendimento supervisionato può addestrare un modello utilizzando informazioni su transazioni fraudolente note. Il rilevamento delle anomalie può identificare transazioni che sembrano atipiche e meritano ulteriori indagini.
Riconoscimento vocale
È noto anche come riconoscimento vocale automatico (automatic speech recognition, ASR), riconoscimento vocale del computer o conversione della voce in testo, ed è una funzionalità che utilizza l’NLP (Natural Language Processing) per convertire la voce umana in un formato scritto.
Molti dispositivi mobili integrano il riconoscimento vocale nei propri sistemi per condurre ricerche vocali, ad esempio Siri, o migliorare l’accessibilità per gli SMS.
Visione artificiale
Questa tecnologia AI consente ai computer ed ai sistemi di ricavare informazioni significative da immagini digitali, video o altri input visivi e, sulla base di questi input, intraprendere l’azione appropriata.
Grazie alle reti neurali convoluzionali (convolutional neural network, CNN), la visione artificiale del computer ha applicazioni nel campo dell’aggiunta di tag a foto nei social media, nell’imaging radiologico nell’assistenza sanitaria e nelle auto a guida autonoma nel settore dell’automotive.
Sfrutta le potenzialità dell’Intelligenza Artificiale grazie a Kipy
Kipy è un’app che permette di organizzare i documenti, digitalizzandoli in un archivio in cloud protetto. Ha un sistema basato sulla tecnologia altamente innovativa di Intelligent Document Processing che sfrutta algoritmi di Intelligenza Artificiale e Machine learning per elaborare ed estrarre le informazioni principali di alcune tipologie documentali, notificando le scadenze al bisogno.
Ad oggi stiamo sviluppando e migliorando ulteriormente la tecnologia al fine di sfruttare al massimo le sue potenzialità in nuovi settori. Rappresenta una piccola rivoluzione digitale alla portata di tutti. Un vero e proprio portafoglio digitale nato con l’obiettivo di semplificare la vita delle persone nell’archiviazione di diverse tipologie di documenti di uso comune.
Il sistema di archiviazione digitale è organizzato in categorie specifiche con la possibilità di inserire tag personalizzati sui documenti, per una ricerca più rapida.
Per rafforzare il livello di sicurezza, soprattutto durante le condivisioni con un altro utente, è stato introdotto il Watermark, un testo da sovrapporre al documento come se fosse un timbro per evitarne l’utilizzo improprio.
Inoltre, è possibile condividere un documento protetto con un Pin di sicurezza: il destinatario riceve tramite mail un codice autogenerato dall’app di quattro cifre, necessario per aprire il documento.
Kipy tiene poi traccia di tutte le attività effettuate su ogni documento così da garantire il pieno controllo.
L’App per i tuoi documenti personali. Dove e quando servono. Scarica Kipy gratis ora!
Conclusioni
Lo sviluppo della tecnologia di machine learning ha sicuramente reso le nostre vite più facili. Implementare il machine learning nelle aziende ha anche sollevato una serie di preoccupazioni etiche che riguardano le tecnologie di Intelligenza Artificiale.
L’accelerazione dettata dalla trasformazione digitale porta con sé la necessità di rivedere e creare nuovi set di competenze che garantiscano a ciascuno la possibilità di muoversi consapevolmente in questa nuova realtà che stiamo via via affrontando.
Un contesto che cambia continuamente, in cui ruoli, professioni, aspettative sono diventati estremamente flessibili, mutevoli e dove è necessario acquisire una cultura digitale.
FAQ – Domande frequenti
Che cos'è il machine learning?
Il machine learning è un ramo dell’Intelligenza Artificiale e dell’informatica che si concentra sull’utilizzo di dati e algoritmi per imitare il modo in cui gli esseri umani apprendono, migliorando in modo graduale la sua accuratezza.
Che cos'è l'intelligenza artificiale?
Per Intelligenza Artificiale si fa riferimento alla capacità di un computer o di un robot controllato da un computer di svolgere, tramite particolari tecnologie software, compiti che di solito vengono eseguiti da esseri umani e di imitare le capacità di risoluzione dei problemi e decisionali della mente umana.
Cos’è l’esperimento del gioco della dama?
La coniazione del termine machine learning è attribuita a uno dei dipendenti di IBM, Arthur Samuel, con la sua famosa ricerca sul gioco della dama. La storia è pressocché questa: Robert Nealey giocò una partita a dama con un computer IBM 7094 nel 1962 e fu battuto. All’epoca suscitò una certa meraviglia.
Che differenza c’è tra Machine learning e Deep learning?
Il machine learning è ciò che insegna alle macchine a fare ciò che fanno gli uomini, con la stessa naturalezza. Il deep learning è una sotto-categoria del machine learning che si concentra sull’utilizzo di reti neurali artificiali con molti strati di elaborazione per apprendere rappresentazioni di dati sempre più complesse. Questi modelli sono in grado di apprendere da grandi quantità di dati e possono essere utilizzati per una vasta gamma di applicazioni, tra cui la computer vision, il riconoscimento del parlato, la traduzione automatica e molto altro ancora.
