Vai al contenuto
Identificazione di veicoli tramite il machine learning

Che cos'è il machine learning?

Che relazione c'è tra machine learning e intelligenza artificiale?

Il machine learning e le sue componenti di deep learning e reti neurali sono tutti iscritti nell'intelligenza artificiale come sottoinsiemi concentrici. L'AI elabora i dati per prendere decisioni e formulare previsioni. Gli algoritmi di machine learning consentono all'AI non solo di elaborare i dati, ma anche di usarli per diventare più intelligente, senza bisogno di ulteriore programmazione. L'intelligenza artificiale è l'entità a cui fanno capo tutti i sottoinsiemi di machine learning. Il primo sottoinsieme è rappresentato dal machine learning; al suo interno troviamo il deep learning, il quale a sua volta racchiude le reti neurali.

Diagramma del rapporto tra AI e machine learning

Schema di confronto tra AI e machine learning

Che cos'è una rete neurale?

 

La rete neurale artificiale (ANN, artificial neural network) si chiama così perché è costruita sul modello dei neuroni presenti nel cervello biologico. I neuroni artificiali, detti anche nodi, sono raggruppati in molteplici strati che operano in parallelo. Quando un neurone artificiale riceve un segnale numerico, lo elabora e avvisa gli altri neuroni a cui è collegato. Come nel cervello umano, il rinforzo neurale determina un miglioramento a livello di pattern recognition, expertise e apprendimento complessivo.

 

Che cos'è il deep learning?

 

Questo tipo di apprendimento automatico è definito "profondo" perché include molteplici livelli della rete neurale e volumi massicci di dati complessi ed eterogenei. Per giungere all'apprendimento profondo, o "deep learning", il sistema interagisce con i vari strati della rete, estraendo output di livello sempre più elevato. Per esempio, un sistema di deep learning che stia elaborando immagini dal mondo della natura alla ricerca di margherite della specie Gloriosa, al primo strato riconoscerà una pianta. Addentrandosi poi negli strati neurali, identificherà un fiore, quindi una margherita e infine una margherita Gloriosa. Il riconoscimento vocale, la classificazione delle immagini e l'analisi farmaceutica sono solo alcuni esempi di applicazioni di deep learning.

Come funziona il machine learning?

Il machine learning si articola in varie tipologie di modelli basati su altrettante tecniche algoritmiche diverse. A seconda della natura dei dati e del risultato desiderato, sarà possibile affidarsi a uno dei quattro modelli di apprendimento: supervisionato, non supervisionato, semi-supervisionato o per rinforzo. All'interno di ciascuno di questi modelli possono essere applicate una o più tecniche algoritmiche, in funzione dei set di dati utilizzati e dei risultati attesi. Gli algoritmi di machine learning sono progettati sostanzialmente per classificare oggetti, individuare schemi, prevedere risultati e prendere decisioni consapevoli. Gli algoritmi possono essere utilizzati uno alla volta o in combinazione per ottenere la maggior precisione possibile quando si è in presenza di dati complessi e più imprevedibili. 

Come funziona il processo di machine learning

Schema di funzionamento del machine learning

Che cos'è l'apprendimento supervisionato?

 

L'apprendimento supervisionato è il primo di quattro modelli di machine learning. Negli algoritmi dell'apprendimento supervisionato, la macchina viene istruita con l'esempio. I modelli dell'apprendimento supervisionato sono strutturati in coppie di dati di "input" e "output", e questi ultimi vengono etichettati con il valore desiderato. Immaginiamo per esempio che l'obiettivo della macchina sia riconoscere la differenza tra una margherita e una viola. Una coppia binaria di dati di input include l'immagine di una margherita e l'immagine di una viola. L'esito desiderato di quella specifica coppia è il riconoscimento della margherita, affinché possa essere pre-identificata come risultato corretto.

 

Tramite un algoritmo, il sistema compila nel tempo tutti questi dati di addestramento e inizia a stabilire somiglianze correlative, differenze e altri aspetti logici, fino a quando non è in grado di prevedere autonomamente le risposte alle domande "margherita o viola". È l'equivalente di proporre a un bambino una serie di problemi con una chiave di risposta, e poi chiedergli di mostrare il compito svolto e di spiegare la logica. I modelli dell'apprendimento supervisionato trovano impiego in molte delle applicazioni con le quali interagiamo ogni giorno, per esempio i motori di suggerimenti per prodotti e le app di analisi del traffico come Waze, che predice l'itinerario più rapido alle varie ore del giorno.

 

Che cos'è l'apprendimento non supervisionato?

 

L'apprendimento non supervisionato è il secondo dei quattro modelli di machine learning. Nei modelli di apprendimento non supervisionato non vi è una chiave di risposta. La macchina studia i dati di input – molti dei quali non sono né etichettati, né strutturati – e inizia a identificare schemi e correlazioni utilizzando tutti i dati accessibili e pertinenti. Per certi versi, l'apprendimento non supervisionato ricalca il modello dell'osservazione del mondo da parte dell'uomo. Per raggruppare gli oggetti in categorie facciamo appello all'intuizione e all'esperienza. Man mano che sperimentiamo un numero sempre maggiore di esempi di un oggetto, la nostra capacità di categorizzarlo e identificarlo diventa più accurata. Per una macchina, l'esperienza equivale alla quantità di dati che vengono immessi e di cui può disporre. Tra gli esempi comuni di applicazioni di apprendimento non supervisionato si possono citare il riconoscimento facciale, l'analisi delle sequenze genetiche, le ricerche di mercato e la sicurezza informatica.

 

Che cos'è l'apprendimento semi-supervisionato?

 

L'apprendimento semi-supervisionato è il terzo dei quattro modelli di machine learning. In un mondo ideale, tutti i dati sarebbero strutturati ed etichettati prima di essere immessi in un sistema. Poiché questo non è ovviamente fattibile, l'apprendimento semi-supervisionato si configura come una soluzione percorribile in presenza di vaste quantità di dati grezzi non strutturati. Il modello prevede l'input di ridotti volumi di dati etichettati per popolare set di dati non etichettati. In sostanza, i dati etichettati hanno il compito di imprimere una spinta iniziale al sistema, con la possibilità poi di migliorare notevolmente la rapidità e l'accuratezza dell'apprendimento. L'algoritmo dell'apprendimento semi-supervisionato impartisce alla macchina l'istruzione di analizzare i dati etichettati per rilevare le proprietà correlative che potrebbero essere applicate ai dati non etichettati.

 

Come approfonditamente discusso in questo studio di MIT Press, a tale modello si accompagnano alcuni rischi, per esempio quello di vedere replicati dal sistema gli errori presenti nei dati etichettati appresi. Le aziende che utilizzano l'apprendimento semi-supervisionato, ottenendo i migliori risultati, si premurano di istituire protocolli di buone pratiche. L'apprendimento semi-supervisionato viene utilizzato nell'analisi vocale e linguistica, in complesse ricerche mediche come la categorizzazione delle proteine o il rilevamento delle frodi ad alto livello.

 

Che cos'è l'apprendimento per rinforzo?

 

L'apprendimento per rinforzo è il quarto modello di machine learning. Nell'apprendimento supervisionato, la macchina riceve la chiave di risposta e apprende trovando le correlazioni tra tutti gli esiti corretti. Al posto della chiave di risposta, il modello dell'apprendimento per rinforzo prevede l'immissione di un insieme di azioni, regole e potenziali stati finali ammissibili. Quando l'obiettivo auspicato dell'algoritmo è fisso o binario, le macchine possono apprendere attraverso l'esempio. Tuttavia, nei casi in cui l'esito desiderato è mutevole, il sistema deve apprendere con l'esperienza e il premio. Nei modelli di apprendimento per rinforzo, il "premio" è numerico ed è programmato nell'algoritmo come oggetto che il sistema punta ad acquisire.

 

Sotto vari aspetti questo modello è analogo all'insegnamento del gioco degli scacchi. È chiaro che sarebbe impossibile tentare di mostrare all'allievo ogni possibile mossa. Piuttosto, gli si spiegano le regole e poi starà a lui affinare la tecnica con la pratica. I premi si presentano non solo sotto forma di vittoria nella partita, ma anche di conquista delle pedine del contendente. Tra le applicazioni dell'apprendimento per rinforzo si possono citare le offerte di prezzo automatiche per gli acquirenti di pubblicità online, lo sviluppo dei videogiochi e le contrattazioni sui mercati azionari con alta posta in gioco.

Enterprise Machine Learning in azione

La capacità di riconoscere schemi e correlazioni rende gli algoritmi di machine learning un ottimo strumento per analizzare il loro stesso ROI. Per le aziende che investono nelle tecnologie di machine learning, questa funzionalità consente una valutazione pressoché immediata dell'impatto operativo. Di seguito sono riportati solo alcuni esempi delle aree in continua crescita di applicazioni del machine learning nel mondo delle imprese.

Inizia oggi

Scopri le tecnologie intelligenti di SAP in azione, inclusi il machine learning e l'AI.

  • Motori di raccomandazione: dal 2009 al 2017 il numero di famiglie statunitensi abbonate ai servizi di streaming video è aumentato del 450%. Un articolo del 2020 pubblicato sulla rivista Forbes riporta un ulteriore picco fino al 70% nei numeri relativi all'uso dello streaming video. I motori di raccomandazione sono impiegati in numerose piattaforme di acquisto e vendita al dettaglio, ma sembrano aver trovato uno sbocco ideale nei servizi di musica e video­ in streaming.
  • Marketing dinamico: la generazione di lead e il loro accompagnamento lungo i canali di vendita presuppone la capacità di raccogliere e analizzare la maggior quantità possibile di dati dei clienti. I moderni consumatori generano una quantità enorme di dati eterogenei e non strutturati, che vanno dalle trascrizioni delle chat ai caricamenti di immagini. Il ricorso alle applicazioni di machine learning consente agli esperti di marketing di dare un senso a questi dati, e di utilizzarli per distribuire contenuti commerciali personalizzati e interazioni in tempo reale con clienti acquisiti e potenziali.
  • ERP e automazione dei processi: i database ERP contengono ampi set di dati disparati, che possono includere statistiche sulle performance di vendita, recensioni dei consumatori, report sulle tendenze di mercato e record di gestione della supply chain. Gli algoritmi di machine learning possono essere utilizzati per far emergere correlazioni e pattern da tali dati. Le conoscenze così acquisite possono quindi essere sfruttate per informare praticamente ogni area dell'azienda, allo scopo di ottimizzare i flussi di lavoro dei dispositivi IoT (Internet of Things) all'interno della rete o di trovare i modi migliori per automatizzare le attività ripetitive o soggette a errori.
  • Manutenzione predittiva: le moderne supply chain e le fabbriche intelligenti stanno ricorrendo in misura crescente alle macchine e ai dispositivi di IoT, nonché alla connettività in cloud per tutti i loro parchi mezzi e settori operativi. I fermi macchina e le inefficienze possono tradursi in enormi costi e disservizi. Con un sistema manuale di raccolta dei dati su manutenzioni e riparazioni è pressoché impossibile prevedere i problemi potenziali, né tanto meno automatizzare i processi con cui prevederli e prevenirli. I sensori dei gateway IoT possono essere installati anche su macchine analogiche vecchie di decenni, introducendo nuova visibilità ed efficienza per tutta l'azienda.

Le sfide del machine learning

Nel suo volume Spurious Correlations, Tyler Vigan, data scientist laureato ad Harvard, sottolinea che “Non tutte le correlazioni sono indicative di una connessione causale sottostante.” A riprova di ciò, egli riporta un grafico che mostra una correlazione apparentemente solida tra il consumo di margarina e la percentuale di divorzi nello Stato del Maine. Ovviamente la finalità del grafico non voleva essere presa sul serio. Tuttavia, accantonato il lato umoristico della questione, resta vero che le applicazioni di machine learning sono vulnerabili a distorsioni ed errori umani e algoritmici. E data la loro propensione ad apprendere e adattarsi, gli errori e le correlazioni spurie rischiano di propagarsi rapidamente, andando a inquinare i risultati nell'intera rete neurale.

 

Un'ulteriore sfida è rappresentata dai modelli del machine learning in cui l'algoritmo e il relativo output sono così complessi da non poter essere spiegati o capiti dall'uomo. È il cosiddetto modello della “scatola nera”, che mette le aziende in una condizione di rischio quando si ritrovano nell'incapacità di stabilire come e perché un algoritmo è giunto a una determinata conclusione o decisione.

 

Fortuna vuole che, parallelamente alla complessità dei set dei dati e degli algoritmi del machine learning, crescano anche le risorse e i mezzi a disposizione per gestire il rischio. Le migliori aziende sono all'opera per eliminare errori e distorsioni istituendo linee guida solide e aggiornate per la governance dell'AI, oltre a protocolli di buone prassi.

Come sfruttare al meglio il machine learning

Segui le orme dei precursori con questi cinque insegnamenti.

Domande frequenti sul machine learning

L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale, senza la quale non può esistere. L'AI utilizza ed elabora i dati per formulare decisioni e previsioni – è il cervello di un sistema computerizzato e manifesta la sua "intelligenza" attraverso le macchine. Nell'AI, così come in altre applicazioni da essa supportate, gli algoritmi del machine learning consentono al sistema non solo di elaborare i dati, ma anche di usarli per svolgere compiti, formulare previsioni, apprendere e diventare più intelligente, e tutto questo senza bisogno di ulteriore programmazione. Essi forniscono all'AI un'attività orientata a uno scopo da svolgere con quel patrimonio di dati e intelligenza.

Sì, impostando l'operazione come progetto su scala aziendale, anziché come semplice upgrade informatico. Le aziende che ottengono i migliori risultati con i progetti di trasformazione digitale conducono una valutazione rigorosa delle risorse e delle competenze esistenti e si assicurano di disporre dei sistemi di base necessari prima di dare il via al progetto.

Rispetto al machine learning, la "scienza dei dati" è un sottoinsieme che si occupa prevalentemente di statistiche e algoritmi, utilizza le tecniche di regressione e classificazione, e interpreta e comunica i risultati.  Il machine learning, dal canto suo, è focalizzato sulle operazioni di programmazione, automazione, dimensionamento in scala e incorporazione dei risultati di warehousing.

Il machine learning cerca schemi e correlazioni, da cui apprende per ottimizzare via via il proprio funzionamento. Il data mining viene utilizzato come fonte di informazioni per il machine learning. Le tecniche di data mining si avvalgono esse stesse di complessi algoritmi e possono contribuire a definire insiemi di dati organizzati più adeguatamente per l'uso che dovrà farne l'applicazione di machine learning.

I nodi con cui vengono denominati i neuroni connessi con una rete neurale artificiale sono collegati e raggruppati in strati. Quando un nodo riceve un segnale numerico, avvisa gli altri neuroni interessati, che operano in parallelo. Il deep learning sfrutta la rete neurale ed è "profondo" perché utilizza enormi volumi di dati e interagisce con più strati simultaneamente nella rete neurale. 

Il machine learning è la combinazione di svariati modelli di apprendimento, tecniche e tecnologie, tra cui la statistica. La statistica di per sé è finalizzata all'utilizzo dei dati per formulare previsioni e creare modelli per l'analisi.

SAP Insights Newsletter

Abbonati subito

Acquisisci informazioni approfondite iscrivendoti alla nostra newsletter.

Approfondimenti

Torna all'inizio