Machine Learning: come apprendono le macchine?

Conosciamo meglio le fondamenta del Machine Learning: una rivoluzione tecnologica che ha ormai pervaso il nostro vivere quotidiano

Ormai da tempo abbiamo iniziato ad avere una certa familiarità con il Machine Learning. Cerchiamo però di fare chiarezza su alcuni aspetti che contraddistinguono questa metodologia di analisi dati che, anno dopo anno, sta assumendo sempre più importanza. Andiamo quindi a fare un piccolo recap dei fondamentali.

Che cos'è l'apprendimento automatico?

È un metodo di analisi dati che verte sulla costruzione, in automatico, di modelli analitici. Stiamo quindi parlando di un ramo (un sottoinsieme) dell'Intelligenza Artificiale che nasce dall’idea secondo la quale i sistemi possono apprendere dai dati, identificare modelli in modo del tutto autonomo, e prendere decisioni in maniera indipendente, relegando gli esseri umani a ruolo da comprimari.

Da cosa nasce questo tipo di apprendimento?

L'apprendimento automatico nasce proprio da una domanda: "I computer possono apprendere dai dati, andando così a modellare le proprie funzioni di elaborazione ed esecuzione?". La strada che è stata intrapresa si è preposta la missione di fornire a un computer tutti gli strumenti per imparare a eseguire compiti specifici senza però essere stati anticipatamente programmati per svolgere proprio quelle funzioni.

Tutto ciò come è reso possibile? Attraverso il riconoscimento di schemi tra i dati. Il Machine Learning utilizza algoritmi capaci di apprendere dai dati in modo iterativo (il modus operandi è quello di arrivare al risultato attraverso una serie reiterata di operazioni). Intuizione brillante, questa, che ha consentito ai computer di trovare informazioni a loro sconosciute: non vi è più quindi la necessità che venga loro indicato esplicitamente (e in maniera preventiva) dove andare a cercare tali informazioni.

Una delle caratteristiche principali dell'apprendimento automatico è la ripetitività: i modelli sono in grado di accrescere il proprio livello di adattamento in maniera direttamente proporzionale alla quantità di dati ai quali vengono esposti i modelli. Ricalcando il sistema di apprendimento dell'essere umano, che da sempre ha perfezionato le proprie conoscenze basandosi su uno storico di esperienze, anche i computer applicano questo medesimo modello per assimilare nuove informazioni. Tutto ciò è orientato a produrre risultati e prendere decisioni che siano il più affidabili e replicabili possibili.

Ovviamente stiamo parlando di innovazioni che già da tempo vengono perseguite con una certa costanza; uno fra gli sviluppi recenti in quest'ambito è stato quello di applicare calcoli matematici complessi ai big data, grazie a questa novità è stata innescata una vera e propria rivoluzione nel modo in cui vengono pensati i preesistenti algoritmi di Macine Learning.

Categorie di algoritmi

Esistono varie categorie di algoritmi, classificati in base al modo in cui si fonda il processo di apprendimento dei dati per fare previsioni:

• Machine Learning supervisionato: questa tipologia di algoritmi è quella maggiormente diffusa. Questo modello prevede il supporto di un data scientist capace di fare da guida e insegnare all’algoritmo i risultati da generare. Questa particolare categoria prevede che l’algoritmo apprenda da un set di dati già etichettato e con output predefinito. Si parte quindi da una base di dati conosciuti (input e output) e chiediamo al sistema di identificare una regola generale che sia in grado di collegare i dati in ingresso e quelli in uscita. Tutto ciò è poi volto a generare un tipo di risposta che sia applicabile per altri compiti simili;
• non supervisionato: questa tipologia di approccio è decisamente più indipendente e implica che il computer impari a identificare processi e schemi complessi senza la costante guida di una persona. La macchina attinge a determinate informazioni senza aver alcun esempio del loro utilizzo, non si ha quindi alcuna conoscenza pregressa di quali saranno i risultati attesi in base alla scelta effettuata. La macchina cataloga tutte le informazioni in proprio possesso, le organizza e impara, di volta in volta, i loro significati, memorizzando i risultati a cui esse portano. L’apprendimento senza supervisione è orientato verso una maggiore libertà di scelta della macchina, essa dovrà organizzare le informazioni in maniera intelligente e imparare come raggiungere il risultato migliore per ogni situazione.
• apprendimento semi-supervisionato: modello ibrido in cui si parte da un set di dati incompleti per l’allenamento e apprendimento della macchina.
• apprendimento per rinforzo: rappresenta il sistema di apprendimento più complesso, la macchina in questi casi deve essere dotata di sistemi e strumenti capaci di migliorare il proprio apprendimento, adattandosi ai cambiamenti dell’ambiente circostante. Alla macchina vengono forniti una serie di elementi di supporto (sensori, telecamere, GPS, etc.) che gli permettono di riconoscere ciò che avviene nello spazio circostante.

Quali sono i più noti esempi di Machine Learning?

Le applicazioni dell'apprendimento automatico hanno ormai pervaso quella che è la nostra vita quotidiana. Alcuni esempi sono:

• la guida autonoma: classico esempio di apprendimento di rinforzo. Le auto senza pilota sono in grado di percorrere le strade di centri urbani e non, di riconoscere eventuali ostacoli e di seguire le indicazioni stradali. Questo sistema di apprendimento di rinforzo viene costantemente foraggiato tramite dati provenienti da sensori, telecamere e sistemi di localizzazione, in questo modo la macchina può decidere in autonomia quando è opportuno frenare piuttosto che sterzare.
  
  Ecco qui un breve esempio di auto in grado di parcheggiare in autonomia (video pubblicato da interessantissimo).
  

• suggerimenti di offerte online come Amazon o Netflix;
• il riconoscimento vocale: funzionalità di cui sono dotati i nostri smartphone e numerosi oggetti intelligenti che operano in diversi ambiti della domotica (lo scopo è quello di andare ad apprendere nuovi vocaboli o modi di dire traendo le informazioni necessarie proprio dai comandi vocali).
• pubblicità traccianti: questo genere di algoritmi riescono a profilare gusti, preferenze e abitudini degli utenti e a veicolare un'offerta pubblicitaria che sia cucita su misura.

L'importanza dell'apprendimento automatico 

Gli elementi che hanno contribuito alla sua recente popolarità:

• crescita di volume e varietà dei dati;
• processi di elaborazione più economici e potenti;
• spazi di archiviazione dei dati sempre più a buon mercato.

Grazie al progresso tecnologico è diventato più semplice realizzare automaticamente modelli per l’analisi di dati più grandi e complessi, si è arrivato a un elevato grado di accuratezza dei dati su larga scala ed è aumentata la velocità con cui tutti queste informazioni vengono elaborate.

Tutto ciò permette di generare modelli sempre più precisi, in grado di spronare le aziende a trovare nuove opportunità di profitto.

Data mining: cos'è?

Il data mining è una forma di apprendimento non supervisionato. Informazioni e dati vengono estrapolati al fine di migliorare le conoscenze della macchina. Nel caso del data mining il fine ultimo è quello di istruire e migliorare la macchina tramite conoscenze sempre nuove, questo diverge dalla metodologia seguita dal Machine Learning che, non solo è orientato a fornire nuove conoscenze, ma si focalizza anche sull'approfondimento e il perfezionamento di informazioni già note.

La sensazione comunque è che si sia iniziato soltanto a scorgere la punta dell'iceberg, negli ultimi anni sono stati fatti passi da gigante nel settore dell'apprendimento intelligente ma le possibilità di sviluppo sono ancora innumerevoli ed è importante sottolineare che molti altri settori potranno avvalersi di macchine capaci di effettuare scelti intelligenti.