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

09 May 2019 / Di Redazione Osservatori Digital Innovation / 0 Comments

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.

 

Che cos'è il 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 (o learning machine) 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.

Machine Learning vs Artificial Intelligence

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 si parla solo oggi dell'apprendimento automatico? 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.

L'Artificial Intelligence in numeri: trend, applicazioni e opportunità di mercato

Scarica l'Infografica

 

Metodi di apprendimento automatico

Tra le principali modalità di apprendimento utilizzate in ambito Machine Learning troviamo due tipologie.

  • Da un lato viene adottato l’apprendimento supervisionato, dove gli algoritmi vengono addestrati con dati già etichettati (es. input di cui si conoscono già gli output) al fine di descrivere al meglio la relazione tra dati in ingresso e dati in uscita. Con questo tipo di apprendimento si possono eseguire, per esempio, compiti basati su tecniche di classificazione (es. classificare la tipologia di un cliente in base alle informazioni sul suo conto) o regressione (es. individuare la relazione tra l’età di un utente e il suo interesse potenziale verso una determinata campagna pubblicitaria).
  • A questa modalità si contrappone l’apprendimento non supervisionato, applicato su dati senza etichetta o non strutturati, in cui l’algoritmo deve analizzare i dati al fine di individuare relazioni e trovare schemi all’interno dei dati. Un esempio di apprendimento senza supervisione è il clustering (es. creare gruppi di utenti con caratteristiche simili per proporre offerte mirate).

 

Come funzionano gli algoritmi di Machine Learning

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

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.

Machine Learning e Big Data

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.

Vuoi capire come gestire i Big Data nei progetti di Machine Learning e Analisi Predittiva?

Guarda il Webinar

 

Le principali tecniche di Machine Learning

In base alle tecniche di apprendimento è poi possibile suddividere il Machine Learning in diverse aree: la più nota tra queste è sicuramente il Deep Learning, ma i volti del Machine Learning sono assai più sfaccettati. In questa parte della guida analizziamo sei metodologie principali.

1) 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.

2) Online Learning

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 raggiungerle un livello ottimale

3) Model Prediction

La Modellazione Predittiva include 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 (e.g. fare previsioni sugli ordini d’acquisto da parte dei clienti in base agli acquisti già effettuati).

4) Explainable Regression & Classification

Fanno parte di questa famiglia 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.

5) Information Retrieval (IR)

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.

6) Reinforcement Learning

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.

 

Esempi e applicazioni di Machine Learning

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:

  • riconoscimento e classificazione di immagini;
  • comprensione ed elaborazione del linguaggio;
  • prevenzione di frodi (attraverso l’individuazione di clienti con dati incongruenti);
  • personalizzazione di campagne pubblicitarie (per offrire contenuti in base agli interessi e/o le attività degli utenti);
  • ottimizzazione di siti web;
  • manutenzione predittiva (es. per prevenire guasti che possano provocare tempi di fermo macchina);
  • monitoraggio della qualità dei beni in fase produttiva (es. per evitare difetti di produzione);
  • gestione magazzino e logistica.

Vuoi comprendere come sfruttare le applicazioni di Machine Learning e Intelligenza Artificiale nel tuo business?

Inizia il Percorso

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.