TUTTI GLI ARTICOLI  >  Artificial Intelligence

Machine Learning: cos’è e come funziona l'apprendimento automatico

09 maggio 2019 / Di Redazione Osservatori Digital Innovation / Nessun commento

Dai filtri anti-spam ai “Potrebbe interessarti anche...” degli eCommerce, passando per il riconoscimento vocale e i motori di ricerca: il Machine Learning (o "apprendimento automatico") è già ampiamente presente nella nostra vita quotidiana. Sono soprattutto i giganti del web a utilizzarlo in maniera pervasiva all’interno delle loro piattaforme.

Per la maggior parte delle organizzazioni, in particolare quelle più piccole, le applicazioni del Machine Learning si traducono in progetti in via sperimentale, che coinvolgono pochi attori nella funzione ricerca e sviluppo. In altri casi, addirittura, il termine rimane oscuro, e non si conoscono significato e applicazioni. Facciamo allora un po' di ordine in quest'articolo, per comprendere al meglio significato e valore del Machine Learning, attraverso esempi, applicazioni e le varie metodolgie di utilizzo.

 

Cosa si intende per Machine Learning

“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 la più citata definizione di Machine Learning, dell’americano Tom M. Mitchell. Queste parole risalgono al 1997, ma il termine è stato coniato ben prima - cioè nel 1959 - dallo scienziato americano Arthur Lee Samuel.

La traduzione italiana di Machine Learning è apprendimento automatico. 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. Il Machine Learning può dunque considerarsi una strada per l'applicazione dell'Artificial Intelligence, più ampio campo di ricerca che studia lo sviluppo di sistemi Hardware e Software dotati di capacità tipiche dell’essere umano

Dal punto di vista informatico, cambia radicalmente l’approccio del programmatore: se prima era necessario scrivere dettagliate righe di codice per istruire la macchina su cosa fare situazione per situazione, oggi è l’algoritmo stesso a sviluppare una sua logica e conseguentemente a compiere determinate azioni, a seconda del set di dati a disposizione.

Perché se ne parla solo oggi?

Se, come detto, il Machine Learning è stato teorizzato nel lontano 1959, perché finora è rimasto argomento poco discusso? Perché solo oggi ha la possibilità di diventare concreto, grazie alla maggiore disponibilità di due principali elementi abilitanti: dati e capacità di calcolo.

 

Come funzionano gli algoritmi di Machine Learning

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 ad osservare altri dati e a modificare di conseguenza le proprie conoscenze.

Il ruolo dei Big Data

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.

Vai al webinar

 

Tecniche e metodologie di Machine Learning

Il Machine Learning può essere suddiviso in più tipologie, distinte in base a differenti modalità e tecniche di apprendimento, che a loro volta si traducono in diverse applicazioni. Di seguito approfondiamo tre delle tecniche di Machine Learning .

Il Deep Learning

Il Deep Learning è l'ambito più importante del Machine Learning. Esso 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.

L’utilizzo di tecniche di Deep Learning ha contribuito al successo dell’Artificial Intelligence con applicazioni come:

  • riconoscimento delle immagini;
  • comprensione del parlato;
  • identificazione delle frodi.

L’Online Learning

L’Online Learning è un ramo di Machine Learning che studia tecniche per problemi in cui i dati diventano disponibili sequenzialmente, uno dopo l’altro, e le decisioni devono essere prese man mano che un dato diventa disponibile.

A differenza delle tecniche di Offline Learning, che prevedono prima l’apprendimento e successivamente la presa di decisione, nell’Online Learning i due processi sono simultanei e dipendono l’uno dall’altro, poiché quanto appreso condiziona la decisione successiva e quest’ultima, a sua volta, condiziona i dati che saranno valutati in futuro e il conseguente apprendimento.

Si individuano diversi ambiti dove l’Online Learning viene comunemente applicato, dall’ottimizzazione delle campagne pubblicitarie a quella delle pagine web.

La Model Prediction

La Modellazione Predittiva include una varietà di tecniche in grado di raccogliere dati a disposizione e apprendere modelli da applicare a nuovi dati. Applicando ai nuovi dati i modelli elaborati in base ai dati raccolti in precedenza, è possibile effettuare predizioni su comportamenti o risultati futuri (e.g. fare previsioni sugli ordini d’acquisto da parte dei clienti in base agli acquisti già effettuati).

La Modellazione Predittiva è sempre più diffusa e, tra i principali contesti applicativi, si individuano:

  • analisi qualità;
  • rilevamento frodi;
  • gestione magazzino e logistica;
  • marketing ed analisi delle reti sociali.

Vai al webinar

Redazione Osservatori Digital Innovation

Redazione Osservatori Digital Innovation

Gli Osservatori Digital Innovation della School of Management del Politecnico di Milano nascono nel 1999 con l’obiettivo di fare cultura in tutti i principali ambiti di Innovazione Digitale. Oggi sono un punto di riferimento qualificato sull’Innovazione Digitale in Italia che integra attività di Ricerca, Comunicazione e Aggiornamento continuo.