Cos’è il machine learning e dove viene impiegato

Cos’è il machine learning?

Ti sarà sicuramente capitato di attivare delle funzioni nello smartphone pronunciando poche e semplici parole, oppure di essere perseguitato dalle pubblicità di quello spazzolino che hai cercato il giorno prima su Amazon. Sia il riconoscimento vocale che le pubblicità traccianti fanno parte di una branca dell’intelligenza artificiale riconosciuta come machine learning.

Con il termine machine learning si intendono tutti quei meccanismi che permettono a una macchina di migliorare le proprie prestazioni e funzioni nel tempo tramite l’esperienza. L’apprendimento automatico è reso possibile da una serie di algoritmi che, partendo da nozioni di base, sapranno prendere una determinata decisione o effettuare azioni apprese nel tempo.

Il machine learning è legato a doppio filo con l’informatica, la matematica, la statistica, l’ottimizzazione e altri ambiti delle scienze intelligenti. La sua natura interdisciplinare è fatta di frequenti e, talora fondamentali, incursioni nei diversi ambiti.

La crescita del volume e della varietà di dati a disposizione tramite sistemi di raccolta sempre più sofisticati, insieme a processi di elaborazione più economici e potenti e alla disponibilità di spazi di archiviazione sempre più a buon mercato, hanno dato nuova linfa vitale al machine learning.

Dove e quando viene usato il machine learning

Oggi il machine learning è ovunque. Dagli acquisti online all’interazione le banche, dai social media alla manutenzione predittiva e ai controlli di qualità, dal supporto a diagnosi e terapie in campo medico fino alle analisi dei dati e del regolamento rischi nel mercato azionario, dall’offerta sempre più profilata di contenuti da parte delle aziende di intrattenimento fino ai sistemi per la realizzazione di partite di scacchi e backgammon. In linea generale, gli algoritmi di machine learning sono studiati per rendere la nostra esperienza più efficiente e ottimizzata e, soprattutto per le aziende, più profittevole e sicura.

Un po’ di storia

Nei primi anni ’50 del Novecento alcuni matematici e statistici iniziano a pensare di applicare metodi probabilistici allo sviluppo di macchine per metterle in grado di prendere decisioni in base alle probabilità di accadimento di un evento. Come spesso accade, la strada per l’evoluzione del machine learning si rivela tortuosa, punteggiata di tentativi ed errori, sperimentazioni e scetticismo. Gli anni ‘80 vedono i primi sostanziali investimenti nel settore, ma è solo alla fine degli anni ‘90 che l’apprendimento automatico trova un impulso fondamentale in una serie di tecniche innovative legate a elementi statistici e probabilistici.

Quali sono le modalità di apprendimento?

Il machine learning utilizza algoritmi che imparano dai dati in modo iterativo. La ripetitività è fondamentale perché, più i modelli sono esposti ai dati, più le macchine saranno in grado di produrre risultati affidabili sulla base di elaborazioni precedenti.

In base agli algoritmi utilizzati e soprattutto alle finalità per cui è costruita la macchina, esistono 3 diverse modalità di apprendimento automatico: supervisionato, non supervisionato e per rinforzo.

1. Apprendimento supervisionato 

consiste nel fornire al sistema informatico nozioni specifiche e codificate che fungano da modello e permettano di costruire un database di informazioni e di esperienze. Quando la macchina deve risolvere un problema, analizza le esperienze e i dati inseriti al suo interno e sceglierà la risposta da dare in base a esperienze già codificate in precedenza.

2. Apprendimento non supervisionato

in questo caso, le informazioni inserite a sistema non sono codificate; ciò significa che la macchina attinge a determinate informazioni senza avere esempi del loro utilizzo, nè conoscenza dei risultati attesi a seconda della scelta fatta. La macchina stessa è quindi chiamata a catalogare le informazioni disponibili, a organizzarle e impararne l’utilizzo e, soprattutto, il risultato a cui portano. Nel tempo, la macchina impara da sola quali sono i risultati migliori per le differenti situazioni che si presentano.

3. Apprendimento per rinforzo 

prevede che la macchina sia dotata di sistemi e strumenti, quali telecamere, sensori, GPS ecc. capaci di monitorare e comprendere le caratteristiche dell’ambiente circostante, che le consentano di compiere le migliori scelte di adattamento a quell’ambiente. È probabilmente il tipo di apprendimento automatico più complesso ed è quello alla base delle auto senza pilota.

Le reti neurali e il machine learning

Indispensabili al machine learning sono le reti neurali, ovvero modelli matematici composti da neuroni artificiali, indispensabili per risolvere problemi di intelligenza artificiale. La loro capacità di apprendimento si ispira al funzionamento biologico del cervello umano, fatto di cellule nervose fittamente interconnesse. Le reti neurali umane sono responsabili della nostra capacità di comprendere l’ambiente e suoi mutamenti e di fornire di volta in volta le risposte adattive più adeguate all’esigenza. Come? Guardando le cose, imparando a identificarle e a riconoscerle e cercando delle relazioni tra loro, ovvero dei pattern.

Semplificando molto la questione, le reti neurali artificiali rilevano pattern e collegamenti tra variabili all’interno di basi di dati anche molto vaste e a una velocità nettamente superiore a quelle umane. Si tratta, in altre parole, di modelli costituiti da interconnessioni di informazioni.

Qual è il futuro del machine learning?

Il machine learning sta vivendo una rapida evoluzione. Il suo impiego comporta evidenti e significativi vantaggi in molti ambiti, anche se, come spesso accade, è accompagnato da timori e diffidenze circa l’entità di impatti potenzialmente imprevedibili che potrebbe esercitare sulle nostre vite. A oggi, è innegabile che il machine learning fornisca un supporto notevole all’assistenza sanitaria, al potenziamento del business e, sotto determinati aspetti, alla sicurezza. D’altro canto, si configurano problemi di privacy, la progressiva automatizzazione di diversi impieghi lavorativi, come del resto la possibile comparsa di nuovi servizi e nuovi mercati.