Cos'è e a cosa serve il machine learning

Fonte foto: Shutterstock

Ai giorni nostri siamo ormai abituati ad avere a che fare con sistemi di intelligenza artificiale nella nostra vita quotidiana. Una rivoluzione tecnologica, questa, che è strettamente legata all’impiego di reti neurali e del machine learning, quest’ultimo molto spesso confuso con la stessa IA dai non addetti ai lavori. Non tutti infatti sanno il machine learning cos’è e quali sono le sue potenzialmente infinite applicazioni, tutte atte a migliorare la produttività in ambito commerciale e la nostra qualità della vita tra le mura domestiche.

In linea generale, possiamo affermare che si tratta di un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano. In questa guida ne esporremo una definizione più completa e ne esploreremo gli utilizzi, così da scoprire a cosa serve questa tecnologia estremamente versatile. E sempre più diffusa nel nostro quotidiano.

Il significato di machine learning

Per capire cos’è il machine learning, dobbiamo prima di tutto chiarire che si tratta di un ramo specifico dell’intelligenza artificiale, e non di un suo sinonimo come erroneamente pensato da molti. Questa tecnologia si definisce come un metodo di analisi dati che automatizza la costruzione di modelli analitici, e si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano. Questa branca della IA si basa sull’idea che i sistemi possono imparare dai dati analitici, identificare modelli autonomamente e prendere decisioni con un intervento umano praticamente ridotto al minimo.

Il termine machine learning fu coniato nel 1959 dallo scienziato americano Arthur Lee Samuel, e da un punto di vista pratico può essere identificato con l’apprendimento automatico, ovvero un campo di studi che dà ai computer la capacità di imparare senza essere esplicitamente programmati. Come gli esseri umani, anche le macchine diventano quindi capaci di imparare dai propri errori, evitando di commettere gli stessi in futuro.

Come già accennavamo, poi, i termini apprendimento automatico e intelligenza artificiale vengono spesso utilizzati allo stesso modo, quasi fossero interscambiabili. In realtà non hanno lo stesso significato. Semplicemente, è importante ricordare che sebbene tutto ciò che riguarda il machine learning rientri nell’intelligenza artificiale, l’intelligenza artificiale non include solo il machine learning. Per comprendere ancora meglio che cos’è il machine learning e a che cosa serve è utile porre l’accento sulle differenze tra intelligenza artificiale, machine learning e deep learning. L’intelligenza artificiale, in prima battuta, ha il compito di dare vita a macchine capaci di compiere azioni caratteristiche dell’intelligenza umana, andando a simularne le capacità cognitive.

Il machine learning realizza invece specifici programmi di intelligenza artificiale, che possono scrivere in autonomia altri programmi utili ad interpretare i dati e prevedere i risultati. Con deep learning, infine, si intende l’apprendimento “profondo”, che sfrutta le reti neurali artificiali multistrato: si tratta di sofisticati algoritmi che imitano le strutture e il funzionamento del cervello, e che hanno la capacità di elaborare un dato iniziale in numerosi passaggi collegati tra loro, simulando il modo in cui gli esseri umani tendono a suddividere un compito complesso in diverse fasi.

I primi ricercatori che hanno dimostrato interesse nell’intelligenza artificiale volevano scoprire se i computer fossero in grado di apprendere dai dati. Da questo interrogativo nasce effettivamente l’apprendimento automatico, basato sulla convinzione che i computer possono imparare ad eseguire compiti specifici senza essere programmati per farlo, proprio grazie al riconoscimento di schemi tra i dati. Non è allora un caso che il machine learning utilizzi algoritmi che, per via iterativa, imparano direttamente dai dati a loro disposizione. Un sistema, questo, che mette sul piatto evidenti vantaggi in fatto di tempo e risorse, e che più di tutto si basa sulla ripetitività. Ciò significa che più i modelli sono esposti ai dati, più sono capaci di adattarsi autonomamente e in modo sempre più veloce.

Grazie alle elaborazioni precedenti, i computer tendono ad imparare in fretta, producendo risultati e prendendo decisioni via via più reattive, affidabili e replicabili. Ecco perché attualmente l’interesse per il machine learning è alle stelle, e l’apprendimento automatico è utilizzato un po’ ovunque, dagli sportelli bancari ai siti per gli acquisti online, passando per l’utilizzo quotidiano dei social media. Tutti settori molto diversi ma in cui vengono utilizzati gli algoritmi di machine learning per rendere la nostra esperienza efficiente, semplice e sicura.

Come funziona il machine learning

Il rinnovato interesse nel machine learning è dovuto a fattori ben precisi, vale a dire la crescita del volume e della varietà dei dati, la nascita di spazi per l’archiviazione dei dati sempre più sicuro e a buon mercato, e i processi di elaborazione più economici e potenti. Ora, di conseguenza, privati e aziende possono autonomamente e in modo automatico sfruttare modelli per l’analisi di dati più grandi e complessi, e che hanno la capacità di elaborare velocemente risultati più accurati anche su larga scala.

In questo modo, soprattutto per le imprese, è possibile identificare nuove opportunità di profitto e/o evitare rischi precedentemente non preventivati. La macchina ben oliata del machine learning si basa sugli algoritmi: i due tipi di algoritmi di machine learning maggiormente diffusi sono gli algoritmi di machine learning supervisionato e non supervisionato. La differenza tra queste due variabili viene definita dal modo in cui ciascun algoritmo apprende i dati per fare previsioni.

Nell’apprendimento supervisionato, gli algoritmi vengono addestrati utilizzando esempi già classificati, come gli input di cui già si conoscono gli output. Questo vuol dire che l’algoritmo di apprendimento impara abbinando input ad output corrispondenti, mette a confronto i risultati per trovare gli eventuali errori, e alla fine modifica il modello di conseguenza, con l’obiettivo di prevedere il valore da utilizzare ai dati non ancora classificati. Gli algoritmi di machine learning supervisionato vengono generalmente utilizzati in applicazioni dove i dati storici sono utili a predire l’accadimento di possibili eventi nel futuro, come ad esempio l’analisi di operazioni fraudolente effettuate con la carta di credito.

Al contrario, l’apprendimento non supervisionato viene utilizzato su dati che non hanno una classificazione. L’algoritmo deve scoprire autonomamente cosa gli viene mostrato, senza che gli venga fornita una “risposta corretta”. L’obiettivo è quello di esplorare i dati e individuarne un qualche tipo di struttura interna. Per questo è un metodo che si applica al meglio con i dati transazionali, andando ad esempio ad individuare i consumatori con caratteristiche simili a cui rivolgere campagne di marketing specifiche e mirate. La scelta di un algoritmo di machine learning supervisionato o non supervisionato dipende in genere da fattori correlati alla struttura e al volume dei dati, così come al caso d’uso a cui si desidera applicarlo.

Esistono poi altri due modelli di apprendimento, quello semi supervisionato e quello per rinforzo, meno diffusi dei primi due. Nel semi supervisionato si utilizza solitamente un volume ridotto di dati, e l’apprendimento sfrutta sia dati classificati che non. Si rivela particolarmente utile se la classificazione ha un costo troppo alto per permettere un processo di apprendimento completamente supervisionato, come ad esempio nelle fotocamere più avanzate in grado di riconoscere il volto delle persone. Con l’altro metodo, l’algoritmo scopre da quali azioni vengono generate le ricompense maggiori, passando per esperimenti ed errori.

Si usa spesso nei videogame, nella robotica e nella navigazione, sfruttando tre componenti principali: l’agente, vale a dire chi impara o prende decisioni, l’ambiente, tutto ciò con cui l’agente interagisce, e le azioni, quello che l’agente può fare. Fine ultimo dell’agente è scegliere quali sono le migliori azioni da attuare in un determinato lasso temporale.

Le applicazioni del machine learning

Come già detto quando abbiamo definito cos’è il machine learning, questo tipo di tecnologia è ampiamente presente nella nostra vita quotidiana. Anche quando non ce ne accorgiamo. Solo per fare qualche esempio, viene utilizzato da tutti i motori di ricerca su internet, come Bing o Google: i risultati che otteniamo durante la navigazione derivano non a caso da precisi algoritmi che a loro volta elaborano modelli e schemi di utilizzo delle chiavi di ricerca, così come avviene anche per i suggerimenti che ci vengono offerti in fase di digitazione.

Una delle applicazioni più interessanti del machine learning più avanzato è pure Amazon Go, vale a dire il primo shop senza casse aperto dal colosso di Jeff Bezos in quel di Seattle. Non mancano neppure le futuristiche autovetture a guida autonoma, pronte a breve a sfrecciare sulle nostre strade cittadine e autostrade, e che naturalmente utilizzano applicazioni di apprendimento autonomo sempre più perfezionate. Non è tutto, perché il machine learning recita la parte del protagonista in fatto di protezione dei dati, rivelandosi un prezioso alleato anche nella prevenzione delle frodi, grazie agli algoritmi che vanno a confrontare i modelli di accesso e rilevano ogni anomalia.

Questo tipo di tecnologia può migliorare anche la sicurezza personale, rendendo più affidabili e veloci i controlli negli aeroporti e sui luoghi di eventi e manifestazioni. A chiudere, la medicina è sempre più vicina al machine learning e all’intelligenza artificiale più in generale, per ottenere diagnosi più accurate, per analizzare i fattori di rischio di alcune malattie e addirittura per prevenire eventuali epidemie.