Condividi su
Machine Learning: perché è utile alle strategie aziendali?

Era il 1959 quando Arthur Samuel, informatico statunitense e pioniere dell’Intelligenza Artificiale, diede la prima definizione di Machine Learning: «L'apprendimento automatico è il campo di studio che dà ai computer la capacità di imparare senza essere esplicitamente programmati.» A distanza di oltre 60 anni, oggi il Machine Learning rappresenta una delle possibili strade verso l’IA, e forse la più promettente.

Cosa significa Machine Learning ?

Con Machine Learning (ML) si intende lo studio di algoritmi in grado di migliorare in modo automatico le proprie performance attraverso l’esposizione a dati (l’esperienza). Gli algoritmi di ML utilizzano metodi computazionali per "apprendere" informazioni direttamente dai dati senza basarsi su un'equazione predeterminata come modello. 

In pratica, il ML insegna ai computer a fare ciò che viene naturale agli uomini e agli animali: imparare dall'esperienza per generare intuizioni, prendere decisioni e fare previsioni. Infatti, uno degli strumenti principali alla base del successo del Machine Learning è rappresentato dalle reti neurali artificiali (Artificial Neural Networks, ANN) che sono ispirati dalle neuroscienze.

A cosa serve il ML?

Gli algoritmi di ML sono utilizzati ogni giorno per prendere decisioni critiche nella diagnosi medica e nella previsione del rischio, nel trading azionario, nella previsione dei carichi energetici, ma anche nelle proposte di prodotti, musica o film da acquistare, ascoltare o guardare, basati sulle nostre scelte. I siti multimediali infatti si affidano al Machine Learning per vagliare milioni di opzioni da consigliare agli utenti, e per capire il comportamento d'acquisto dei clienti. Nel mondo reale, il ML trova impiego in ogni attività o un problema complesso che coinvolge una grande quantità di dati e molte variabili, ma nessuna formula o equazione esistente. Infatti, con l'aumentare dei Big Data, il Machine Learning è diventato particolarmente importante per diversi settori: 

  • finanza computazionale (scoring del credito e trading algoritmico)
  • biologia computazionale (rilevamento dei tumori, la scoperta di farmaci e il sequenziamento del DNA)
  • elaborazione delle immagini e computer vision (riconoscimento dei volti, rilevamento del movimento e rilevamento degli oggetti)
  • energia (produzione, previsione dei prezzi e dei carichi)
  • automobilistico, aerospaziale e manifatturiero (previsione della manutenzione).

Come funziona il ML?

Il Machine Learning utilizza due tipi di tecniche: l'apprendimento supervisionato, che addestra un modello su dati di ingresso (input) e di uscita (output) conosciuti in modo da poter prevedere i risultati futuri, e l'apprendimento non supervisionato, che trova modelli nascosti o strutture intrinseche nei dati di input.

Lo scopo dell’apprendimento supervisionato è quello di costruire un modello che faccia previsioni basate sull'evidenza in presenza di incertezza. Un algoritmo di apprendimento supervisionato prende un insieme noto di dati di input e risposte note ai dati (output) e addestra un modello per generare previsioni ragionevoli per la risposta a nuovi dati, usando tecniche di classificazione e tecniche di regressione per sviluppare modelli predittivi. 

Le tecniche di classificazione prevedono risposte come ad esempio se un'e-mail è autentica o spam, o se un tumore è maligno o benigno. Le applicazioni tipiche sono l'imaging medico, il riconoscimento vocale e il credit scoring. In ambito medico, ad esempio, disponendo di dati su un numero di pazienti, tra cui età, peso, altezza e pressione sanguigna, utilizzando il ML supervisionato, e combinando i dati esistenti in un modello che possa prevedere se una nuova persona avrà un attacco di cuore entro un anno, i medici potrebbero prevedere il rischio di una specifica persona di avere un infarto in un determinato periodo di tempo. 

Le tecniche di regressione prevedono risposte continue, ad esempio variazioni di temperatura o fluttuazioni della domanda di energia. Le applicazioni tipiche includono la previsione del carico elettrico e il trading algoritmico.

L'apprendimento non supervisionato trova invece modelli nascosti o strutture intrinseche nei dati. Viene utilizzato per trarre inferenze da insiemi di dati costituiti da dati di input senza risposte etichettate, per trovare schemi nascosti o raggruppamenti nei dati (il clustering è la tecnica di apprendimento non supervisionato più comune, utilizzata nell'analisi delle sequenze genetiche, nelle ricerche di mercato e nel riconoscimento degli oggetti).

Quali sono le sfide del Machine Learning?

La maggior parte delle sfide dell'apprendimento automatico riguarda la gestione dei dati e la ricerca del modello giusto. Infatti, i dati sono di tutte le forme e dimensioni, e la pre-elaborazione dei dati può richiedere conoscenze e strumenti specializzati. Infine, il tempo necessario per trovare il modello migliore per i dati non è sempre rapido e quindi il ML non si presta a risolvere problemi che richiedono soluzioni immediate.

Contattaci moxoff

Contattaci per ricevere ulteriori informazioni