Machine learning: definizione e caratteristiche

Si sente tanto parlare di machine learning. Ma di che si tratta? Non è facile da spiegare per i non addetti ai lavori, ma noi ci proviamo. Una nuova branca dell’Intelligenza Artificiale, che si avvale di Ingegneria, Matematica e altre discipline scientifiche, per la creazione di sistemi capaci di apprendere dai dati e di agire autonomamente senza un eccessivo intervento dell’uomo. Vediamo ancora più approfonditamente cos’è e come funziona.

Machine Learning e apprendimento automatico

L’intelligenza artificiale fino a qualche decennio fa sembrava una narrazione fantascientifica. Ma l’apprendimento automatico di macchine e computer adesso è realtà. La teoria che ha permesso di raggiungere simili risultati ha sempre sostenuto che i computer potesse imparare a svolgere dei compiti non solo grazie alla programmazione ma grazie all’analisi dei dati. O meglio tramite il riconoscimento di uno schema di dati che risponde ad una determinata azione da compiere. Il cervello artificiale di questi dispositivi riconosce i dati anche se non gli viene detto dove deve andarli a cercare.

Perché una macchina possa apprendere è necessario ripete i modelli più volte per fare in modo che si inneschi un adattamento automatico. Più dati il computer elabora più materiale ha a disposizione per prendere decisioni. Il processo di machine learning si attiva grazie a degli algoritmi, ossia dei calcoli matematici di una certa complessità applicati ai big data, che hanno concesso un avanzamento notevole a tutta la disciplina.

A cosa serve il Machine Learning

applicazioni del machine learningOgni giorno nel mondo vengono prodotti miliardi di dati, un numero che cresce in maniera esponenziale con l’inarrestabile crescita della tecnologia. Dal momento che cresce la complessità dei dati si sviluppano nuove prospettive sia per la gestione che per l’utilizzo.

Buoni sistemi di machine learning possono essere impiegati nella robotica, nell’economia, nell’ingegneria. È normale immaginare subito il robot che parla, sorride, ci risponde e cammina, ma ci sono sbocchi meno surreali e ugualmente capaci di rivoluzionare la vita quotidiana. Qualche esempio?

  • Prevenzione del rischio aziendale
  • Aumento del profitto di un’azienda
  • Processi di automazione interattivi

Solo per citarne alcuni. Gli studiosi stanno sempre all’opera, arrovellandosi sul potenziale enorme e sull’applicabilità di questo sistema su larga e breve scala.
Per comprendere pienamente il fenomeno, la disciplina e gli utilizzi è opportuno spiegare come  funziona e quali meccanismi mette in atto l’apprendimento delle macchine.

Apprendimento supervisionato e semi

L’apprendimento supervisionato funziona tramite una procedura in cui vengono utilizzati algoritmi già addestrati e casi già verificati, ad esempio tramite input di cui si conoscono gli output. L’algoritmo impara associando i dati già verificati, li abbina e li mette a confronto rilevando eventuali errori. Se ne trova sarà in grado di modificare il modello di conseguenza.

I metodi utilizzati sono i seguenti:

  • Classificazione
  • Regressione
  • Previsione
  • Gradient boosting

In questo tipo di apprendimento i modelli vengono utilizzati per prevedere che valore avranno i dati che ancora non sono stati sottoposti a classificazione. I dati storici, in tal caso, sono in grado di prevedere eventi che potrebbero accadere in futuro. Possibili applicazioni? Pensa che vantaggio avrebbero i sistemi bancari e la sicurezza se i bancomat potrebbero rendersi conto se un’operazione effettuata è di tipo fraudolento.

Per l’economia sarebbe sicuramente una conquista, ma anche per il diritto e la giurisprudenza. L’analisi dei dati e l’apprendimento supervisionato si può applicare a molti campi. Un altro esempi: il sicuro e rapido accertamento sulle possibilità di sottoscrizione di una polizza assicurativa, senza bisogno di ricorrere a segretari, ma semplicemente tramite la scansione dei dati.

Apprendimento semi supervisionato

Le applicazioni sono le medesime. Cambia qualcosa nel meccanismo di base. Infatti l’addestramento della macchina passa anche per quei dati che non sono stati classificati. Per l’esattezza:

  • Numero minore di dati classificati
  • Numero maggiore di dati non classificati

In quali casi è utile? Quando la classificazione dei dati ha costi troppo elevati o implica problemi logistici difficili da sormontare. Dell’apprendimento semi supervisionato ne abbiamo già prova in alcuni dispositivi di largo utilizzo, ad esempio le fotocamere dei cellulari. Esse sono in grado di riconoscere un volto tramite un ridotto volume di dati classificati, eppure ci riescono alla grande.

Apprendimento non supervisionato e per rinforzo

La prima modalità prevede l’utilizzo di dati senza classificazione. L’algoritmo compie uno sforzo maggiore perché autonomamente deve scoprire quali sono i dati a cui è sottoposto. Il fine ultimo è quello di sviluppare nella macchina una capacità di esplorazione dei dati tale da fornire uno schema della struttura interna.

Nel campo dell’economia e del marketing ci sono ricerche che si occupano di sviluppare maggiormente questo discorso attraverso l’impiego di dati transnazionali, per campagne di marketing o studio del comportamento dei consumatori.

L’apprendimento per rinforzo, tipico della robotica, ma anche del settore nella navigazione e dei games, scopre le azioni in grado di dare risultati maggiormente efficaci e “vincenti”. Gli elementi costitutivi di questo apprendimento sono:

  • Agente
  • Ambiente
  • Azioni

L’agente è il soggetto che apprende e prende decisioni, l’ambiente ciò con cui si trova ad interagire e le azioni ciò che può fare. L’agente deve individuare quali azioni sono capaci di generare risultati migliori, in un tempo sempre più ridotto.

Master in Data Science all’Università Niccolò Cusano

La pressante e costante richiesta di professionisti e studiosi di questa materia ha spinto l’Università degli Studi Niccolò Cusano a proporre tempestivamente un master universitari on line che ne approfondisse tutti gli aspetti. Arricchendo la sua proposta formativa telematica ha voluto offrire la possibilità di apprendere gli aspetti teorici, tecnici e pratici dell’analisi e della gestione dei dati e della Data Science.

La professione di Data Scientist abbraccia diverse discipline, tutte proposte all’interno del piano di studi, applicate al management delle Aziende. Ecco cosa imparerai iscrivendoti al master:

  • Progettazione e sviluppo di algoritmi
  • Comprensione e analisi delle informazioni
  • Aspetti giuridico-amministrativi
  • Capacità manageriali del Data Scientist

Un’opportunità per coloro che hanno concluso un precedente percorso universitario, anche di I livello, in Informatica, Fisica e Matematica, o qualsiasi altra esperienza pluriennale a contatto con il campo dell’informatica e delle sue applicazioni.


CHIEDI INFORMAZIONI

icona link