Che cos’è il machine learning?
Per machine learning si intende lo stato oggi più avanzato dell’intelligenza artificiale. Allo stato attuale delle cose, una qualsiasi postazione multimediale, come un pc o un notebook, così come un dispositivo mobile, come un tablet o uno smartphone, possono agire in modo intelligente, imitando cio’ che puo’ fare un essere umano. Se ciò è possibile, lo si deve alla presenza di varie applicazioni di machine learning, oramai ampiamente diffuse ovunque.
Addentrandoci nei particolari, il machine learning è fondamentalmente basato sull’apprendimento automatico, processo che è alla base di qualsiasi algoritmo di intelligenza artificiale. Si tratta, di fatto, di un processo imprescindibile per la macchina, quando c’è da portare a termine tutta una serie di incarichi: alla base, quindi, vi è un algoritmo che apprende i dati in maniera iterativa. Un applicativo che si basa sull’apprendimento automatico si differenzia da uno classico, perché è in grado di imparare a trovare una soluzione ai problemi, partendo dall’esperienza maturata con i dati.
Come funziona l’algoritmo di machine learning?
Grazie a un algoritmo di machine learning, scritto in Java, Pyton, C++ e altri linguaggi comuni, a un quantitativo importante di memoria e a una notevole capacità computazionale, una macchina può generare le regole per portare a termine l’elaborazione dei dati.
Ciò che conta è che, sulla stessa falsariga che contraddistingue le modalità di apprendimento degli esseri umani, differenti in rapporto alla natura dei problemi da affrontare, analogamente gli algoritmi di machine learning permettono di venire a capo di incognite, quesiti, interrogativi di varia natura senza l’intervento umano ma in modo automatizzato.
Bisogna sempre tenere presente che un algoritmo non è altro che una sommatoria di semplici operazioni. Queste ultime differiscono fra loro e vengono ultimate sulla base di un ordine prefissato, garantendo il raggiungimento di un risultato atteso.
3 tipi di machine learning
Sono 3 i tipi di machine learning più diffusi, in base ai quali gli algoritmi vengono strutturati. Il supervised learning (noto anche come apprendimento supervisionato), l’unsupervised learning (conosciuto anche come apprendimento non supervisionato) e infine il reinforcement learning (definito come l’apprendimento con rinforzo). Prima di vedere cosa siano, è bene precisare che vi sono casistiche dove un’applicazione di machine learning può prevedere il ricorso e l’utilizzo di varie tipologie di apprendimento.
Il supervised learning
Il supervised learning risulta quello maggiormente utilizzato: in breve questo modello prevede che al programma vengano forniti dei dati di input e che ciascun dato abbia anche collegato l’output desiderato. Il programma di machine learning agisce su coppie di dataset, di tipo input/output. Il trainer si occupa di predefinirle affinche’ il programma di machine learning “impari” a capire quale risposta deve dare in funzione dell’input ricevuto. Le risposte corrette vengono pertanto individuate in ingresso, dal trainer.
Questo modello e’ molto simile a quanto succede agli esseri viventi in natura. Quando siamo piccoli, i genitori ci aiutano ad esempio a riconoscere gli oggetti chiamandoli per nome. Un cane sara’ sempre diverso dall’altro, ma se i nostri genitori continuano a chiamare cane degli “oggetti” che hanno delle caratteristiche comuni (cioe’ sono cani!), noi impareremo a riconoscerli anche quando ci capiterà un nuovo cane diverso dagli altri.
Compito di questo modello di apprendimento supervisionato è quello di procedere all’elaborazione di esempi definiti a priori, in modo da ottenere risultati identici a quelli che vengono presentati in uscita. A fronte di risultati differenti rispetto alle previsioni iniziali, l’applicazione di machine learning si ritrova a dover affrontare un meccanismo reatroattivo che dà luogo a un processo di ottimizzazione dell’algoritmo, fino a quando l’addestramento non viene portato a termine. Solo allora l’applicazione riesce a garantire le risposte giuste anche nella circostanza in cui il modello riconosca pattern diversi rispetto a quelli con cui ha interagito. In concreto, quindi, l’apprendimento supervisionato fornisce al sistema informatico della macchina delle nozioni precise e classificate, vale a dire modelli di esempi che, a lungo andare, costruiscono una sorta di archivio di esperienze e di informazioni. Nel momento in cui la macchina si ritroverà ad affrontare un problema, prenderà spunto dalle esperienze presenti all’interno del suddetto database. Dopo averle prese in esame, prenderà quella che viene considerata la migliore decisione in assoluto. Ne consegue, quindi, che nel supervised learning, vista la sua natura preconfezionata, la macchina deve limitarsi solamente a scegliere come rispondere al meglio allo stimolo proveniente dall’esterno.
Gli algoritmi incentrati su questa tipologia di apprendimento vengono adottati in numerosi settori strategici, da quello medico a quello del riconoscimento vocale. Ad esempio un algoritmo di questo tipo puó essere utilizzato per riconoscere la presenza di un tumore in un’immagine medica, dopo un periodo di apprendimento nel quale il tool avrà “visto” decine di migliaia di immagini di tumori, oppure un assistente digitale puo’ riconoscere le varie parole ascoltando la voce umana perchè addestrata ad ascoltare suoni ed associarli ad un testo scritto (ricordate le polemiche sul presunto fatto che le voci registrate da alcuni di questi assistenti digitali venissero mandate in India per essere trascritte, per migliorare l’apprendimento dei tool di intelligenza artificiale?). Dopo aver analizzato un elenco di problemi, vengono formulate ipotesi induttive con l’intento di fornire una soluzione adeguata a un determinato problema.
Il unsupervised learning
L’unsupervised learning, ossia la seconda tipologia di machine learning, si differenzia da quella più diffusa, perché gli esempi forniti a monte non sono catalogati in alcun modo. Più precisamente, non vi sono alla base valutazioni definite a priori. Classico, in tal senso, è il riconoscimento tra il messaggio di posta elettronica normale e l’e-mail con contenuti di spam.
Questa forma di apprendimento e’ simile a quanto succede quando, come esseri umani, ci troviamo di fronte ad un problema nuovo, non noto, e cerchiamo di trovare un senso a quello che stiamo vedendo. In un certo senso, cerchiamo di classificare le informazioni che riceviamo cercando delle similitudini, delle simmetrie, una qualche regola per aiutarci a capire cio’ che ci sta passando davanti.
In sostanza, nell’apprendimento senza supervisione, le informazioni inserite nella macchina non risultano codificate. La macchina deve attingere alle informazioni, senza poter contare su un esempio concreto inerente al loro uso. Di fatto, non ha conoscenza dei risultati che deve attendersi in rapporto alla decisione presa. Toccherà, perciò, alla macchina procedere alla catalogazione delle informazioni raccolte. Dopo averle organizzate al meglio, si occuperà di apprenderne il significato, la natura dell’impiego e il risultato a cui consentono di arrivare. Nell’apprendimento senza supervisione si registra una maggiore libertà di azione per la macchina che, dopo aver organizzato le informazioni in modo intelligente, apprende quali sono i migliori risultati possibili, tenendo conto delle varie casistiche con cui occorre confrontarsi.
Tocca, di fatto, al modello di apprendimento non supervisionato trovare le relazioni non lineari nei dati e comprendere quali permettono di arrivare ai migliori risultati, tenendo conto degli obiettivi prefissati dal modello. L’impostazione della migliore quota di scommesse, che consenta ai bookmaker di massimizzare le vincite a fronte di puntate perdenti da parte degli scommettitori e di contenere le perdite, in caso di previsione dei risultati esatti da chi ha giocato, la definizione del valore in Borsa di una determinata azione in un momento specifico e infine la ricerca della quotazione migliore di un immobile sono esempi particolarmente calzanti al riguardo.
Il reinforcement learning
Infine, il reinforcement learning, che è a tutti gli effetti il sistema di apprendimento più complesso, risulta molto impiegato nelle applicazioni che si ritrovano a interagire con ambienti decisamente dinamici, dove l’incertezza più assoluta regna sovrana.
La macchina dispone di tool e di sistemi che favoriscono il miglioramento, passo dopo passo, del suo processo di apprendimento. Lo stesso dicasi per la comprensione delle caratteristiche relative all’ambiente circostante. Il supporto di elementi come GPS, telecamere, sensori e via dicendo fa sì che la macchina, dapprima possa rilevare ciò che avviene all’interno dell’ambiente circostante, e solo in seguito fare scelte consone.
Al modello di apprendimento con rinforzo vengono dati dei traguardi da centrare: vi è un sistema che prevede premi (rewards) oppure penalità (penalties). Non vi sono però suggerimenti in rapporto alle regole dell’ambiente, né tanto meno in riferimento agli oggetti che si possono incontrare. L’apprendimento del modello avviene mediante iterazioni. Le decisioni vengono prese di volta in volta mediante tentativi con ciò che si ha a disposizione, le ricompense e le penalità.
Fulgido esempio al riguardo è quello dell’auto senza pilota: la presenza di appositi sensori di supporto le consente di percorrere le strade in città, di seguire le indicazioni, di evitare gli ostacoli dopo averli riconosciuti, di trovare il percorso migliore, tenendo conto della viabilità, ecc.
Tirando le somme, questi tre modelli di apprendimento vengono adottati in modo diverso in base alla tipologia di macchina su cui si va ad agire ed al problema che si intende risolvere. In ogni caso, l’intento di fondo deve essere sempre quello di assicurare la migliore prestazione possibile in termini di risultati, tenendo conto della risposta agli stimoli provenienti dall’ambiente esterno.
I vantaggi del machine learning
In linea di massima, conviene puntare sul machine learning nel momento in cui gli scenari in ingresso risultano particolarmente complessi, al punto che l’uomo non riesce a riconoscerli in maniera agevole. Misurare tutto in questi casi, infatti, può risultare davvero cosa complessa e gli algoritmi tradizionali diventerebbero troppo complessi per riuscire a trovare una soluzione per ogni possibile combinazione degli input.
L’analisi dei dati raccolti dai sensori è in grado di svelare gli accorgimenti con cui innalzare il livello di efficienza, tagliando eventuali sprechi e garantendo un importante risparmio di denaro. Il machine learning, ad esempio, si rivela molto utile nel contrastare con efficacia la piaga dei furti d’identità, sempre più in aumento negli ultimi anni, proprio come le frodi informatiche.
Inoltre, le capacità predittive che il machine learning è in grado di assicurare sono a dir poco straordinarie. Il potenziale impatto su qualsiasi azienda è davvero incredibile. Basti pensare al fatto che in passato, le decisioni aziendali vertevano attorno ai risultati storici. Grazie a questo stato avanzato dell’Intelligenza Artificiale, le cose possono cambiare significativamente: per eseguire previsioni, si puo’ puntare oggi su analisi avanzate dei dati. Invece di fossilizzarsi eccessivamente sui dati passati, le imprese possono prendere decisioni lungimiranti.
Ad esempio, nel controllo di gestione così come negli inventari, i tempi di inattività vengono letteralmente eliminati, perché si dà importanza alla manutenzione predittiva, resa possibile dagli algoritmi di intelligenza artificiale, in quanto consente alle imprese di prevedere con maggiore precisione quando è necessario procedere a una riparazione ancora prima che la macchina stessa si rompa, quanto è il caso di montare una parte di ricambio sostitutiva perche’ la vecchia si rompera’ a breve, ecc. In questo modo, l’impatto dei costi operativi è decisamente ridotto e la produzione puo’ proseguire senza intoppi imprevisti e non pianificati.
La manutenzione predittiva dimostra tutta la sua utilità, ad esempio, nel comparto energetico, prevedendo quando gli attrezzi da lavoro, come le trivelle in un giacimento petrolifero, le sonde e altre apparecchiature possono incappare in malfunzionamenti. Venendone a conoscenza in anticipo, il team di manutenzione interviene tempestivamente e in modo programmato, occupandosi di riparazioni e sostituzioni se e quando serve, sfruttando eventuali tempi morti nella produzione e quindi minimizzando l’impatto sulla pianificazione stessa della produzione.
In questo modo oltretutto, la salute dei lavoratori non viene messa a rischio (la si minimizza), si abbassa la soglia di incidenti e di infortuni sul lavoro e la sicurezza sul posto di lavoro appare maggiore.
Nel mondo dello sport, i software di machine learning aiutano le società a prevedere gli infortuni dei loro tesserati. Così, gli allenatori sanno quando conviene tenere i loro atleti a riposo.
Anche con il machine learning, comunque, un po’ come avviene per le previsioni umane, è impossibile attendersi il 100% dei risultati esatti. Nel prendere le migliori decisioni possibili, i sistemi di machine learning riescono a garantire prestazioni superiori a quelle umane quando ci sono calcoli da affrontare (per definizione, le macchine non sono soggette all’errore umano). Ma quando c’è da tener conto di esperienza pregressa o di semplice intuizione, le performance di qualsiasi sistema di intelligenza artificiale non è detto che risultino migliori rispetto a quelle prese dalle decisioni umane.
Conclusioni
Per avere una panoramica completa su cosa sia il machine learning, sul ruolo che possa giocare all’interno della tua impresa e sui vantaggi che è in grado di arrecare alla tua struttura aziendale, richiedi il supporto dei nostri Chief Digital Officer. Loro potranno fornirti una mappatura accurata dei tuoi processi, passo fondamentale per iniziare il successivo processo di miglioramento e ottimizzazione dei risultati. Clicca quì e compila il nostro test digitale.
