Il machine learning (ML) e l’Intelligenza Artificiale sono strettamente interconnessi, talmente tanto che spesso i due termini sono usati in modo intercambiabile. Di fatto invece sono due cose molto diverse, tanto quanto lo sono la conoscenza e l’intelligenza, anche se una non può esistere senza l’altra.
Machine learning e intelligenza artificiale a confronto
Entriamo subito nel vivo dell’argomento: ll machine learning può a tutti gli effetti essere considerato come un sottoinsieme dell’intelligenza artificiale (o – per dirla in un altro modo – tutto ciò che è machine learning è anche intelligenza artificiale ma non tutto ciò che è intelligenza artificiale può anche essere catalogato come machine learning!) e sicuramente è una delle sue branche più promettenti.
Origini dell’intelligenza artificiale
Le origini dell’intelligenza artificiale possono di fatto essere fatte risalire al 1950 con i fondamentali lavori di Alan Turing (che propose con il suo “Test di Turing” il primo modo per definire l’intelligenza artificiale: una macchina può essere definita intelligente se durante una conversazione con un umano l’umano non riesce a capire che sta parlando con una macchina) ma, a causa di limitazioni prettamente tecnologiche (i microchips si sono enormemente evoluti dai primi prototipi del 1960 ad ora) ed anche a difficoltà intrinseche legate alla definizione e all’implementazione di un comportamento “intelligente”, per un lungo periodo di tempo è rimasta ad uno stadio iniziale, confinata ai sistemi esperti ed ai programmi per giocare a scacchi.
Machine learning e intelligenza artificiale a confronto: il machine learning è una parte essenziale dell’intelligenza artificiale
Il vero problema è che un computer, per fare qualunque cosa, deve essere programmato da un essere umano. Questa ovviamente è una fortissima limitazione, perché è un compito che richiede un grande investimento di tempo e perché in ogni caso tramite un programma – per quanto sofisticato – non si riusciranno mai a prevedere tutte le possibili alternative e risultati di una certa linea di azione. Ed è proprio qui che fa il suo ingresso il machine learning:
perché un computer possa essere definito “intelligente” deve infatti essere in grado di imparare dall’esperienza e di modificare se stesso e il suo comportamento senza l’intervento umano.
Ragioni dell’attuale attenzione verso il machine learning
Il machine learning ha conosciuto uno sviluppo incredibilmente rapido negli ultimi anni a causa essenzialmente di due fattori: la crescita esponenziale di internet (e la “rivoluzione dei big data” ad essa strettamente connessa) e
la spinta derivante da campi di ricerca con forti ricadute economiche, come il riconoscimento del linguaggio e dei pattern, i personal shopper virtuali, i “suggerimenti” intelligenti (come quelli che si possono trovare su Netfilx, Amazon, Spotify…) basati sulle proprie scelte precedenti.
Machine Learning vs IA: che cosa è veramente il machine learning
Possiamo definire il machine learning come quel ramo dell’intelligenza artificiale che cerca di insegnare ai computer ad apprendere nello stesso modo in cui lo fanno gli umani, raccogliendo dati dall’esperienza, e usando questi dati – in un processo denso di tentativi ed errori – per estrarre patterns, schemi, classificazioni, generalizzazioni. In altre parole, il machine learning è una serie di algoritmi basati su tecniche (probabilistiche) bayesiane che – dato un certo insieme di dati – riescono ad apprendere, a fare predizioni, ad estrarre strutture nascoste, persino ad arrischiare ottimizzazioni.
A differenza della programmazione classica (un output viene rigidamente generato dato un certo input) gli algoritmi di machine learning usano i dati per auto-generare il loro codice (un “modello”) che produrrà un risultato basandosi su precedenti esempi e sul riconoscimento di pattern da essi derivato.
Tipi di machine learning
Esistono due tipi principali di machine learning: supervisionato e non supervisionato. Nell’apprendimento supervisionato si forniscono al programma non solo i dati ma anche il sistema con cui classificare i dati (etichette), in altre parole gli si insegna la struttura dei dati (per esempio si può insegnare ad un computer quali transazioni sono fraudolente, in modo che possa imparare a riconoscerne una quando la incontra). Nell’apprendimento non supervisionato si forniscono al computer solo i dati grezzi (non etichettati) e il programma impara da solo a classificarli (per esempio può “imparare” quali prodotti sono frequentemente acquistati insieme).
Importanza dei dati nel machine learning
In entrambi i casi, i dati sono una parte essenziale del processo: più l’insieme di dati è grande ed accurato, migliori saranno i risultati che si otterranno.
Attualmente, con quantità enormi di dati derivanti non solo dalle fonti “classiche” ma anche dall’internet delle cose, è molto facile avere accesso a insiemi di dati da dare in pasto agli algoritmi di machine learning.
Applicazioni del machine learning
Le applicazioni sono potenzialmente infinite: identificare quali clienti è più probabile che acquistino certi prodotti o al contrario potrebbero più facilmente causare problemi, generare suggerimenti personalizzati su contenuti potenzialmente interessanti o proporre una user experience e relativa navigazione super personalizzata, identificare anomalie e potenziali problemi all’interno dei processi industriali, filtrare lo spam e il malware, indentificare le frodi online, effettuare video sorveglianza (riconoscimento delle anomalie) e molto di più! Per avere un’idea di alcune effettive e concrete applicazioni basta dare uno sguardo ai servizi offerti da DataLit, la nostra company dedicata all’intelligenza artificiale ed alle sue applicazioni.
Giusto per fare un esempio DataLit può – usando tecnologie basate sull’IA ed algoritmi di machine learning –
identificare ad un livello granulare gli interessi legati ad un sito web o al contenuto di un’app, segmentarli automaticamente in clusters con caratteristiche simili e predire il comportamento degli utenti e le loro intenzioni di acquisto. Questo può realmente dare lo sprint a una campagna di programmatic advertising e può interessare gli inserzionisti, gli editori e i retailers, risolvendo le difficoltà connesse con l’analisi dei dati che – senza risorse umane estremamente qualificate – sarebbe estremamente difficile da portare a termine.
Deep learning: un sottoinsieme del machine learning
Un sottoinsieme estremamente interessante del machine learning è la tecnologia “deep learning”: il deep learning è basato sulla teoria delle reti neurali (dunque non è completamente basato sulla probabilità e sulla statistica come gli algoritmi di machine learning) ed è eseguito tramite un sistema di reti neurali stratificate, ognuna che passa i risultati delle sue elaborazioni alla successiva (da cui il nome deep, profondo). Gli algoritmi di deep learning sono estremamente efficaci nel riconoscere le relazioni fra elementi all’interno di un insieme di dati (mentre il machine learning è particolarmente adatto a riconoscere pattern nei dati). Dunque un algoritmo di deep learning può identificare relazioni fra colori, forme, parole e così via. Basandosi sui risultati di questa prima identificazione di relazioni (relazioni talmente sottili che un umano potrebbe anche non essere capace di individuarle) il sistema può fare predizioni o può interpretare i dati.
Applicazioni del deep learning
Anche in questo caso le applicazioni sono quasi infinite: per citare giusto le principali, riconoscimento vocale, comprensione del linguaggio naturale, classificazione delle immagini e dei video e consigli di acquisto personalizzati. Tutte queste attività vengono effettuate grazie ad algoritmi di deep learning.
Machine learning vs IA: dal punto di vista dell’IA
E l’intelligenza artificiale? Sicuramente l’intelligenza artificiale in senso ampio (secondo l’Enciclopedia Britannica: “la capacità di un computer o di un robot controllato da un computer di eseguire compiti comunemente associati agli esseri intelligenti”) è ancora lontana, ma attualmente l’intelligenza artificiale applicata è un campo in grande crescita, con moltissime applicazioni: andiamo dall’analisi avanzata del testo (per esempio, recuperare le informazioni rilevanti in centinaia di migliaia di documenti, trovare minuscole differenze in un’enorme quantità di testi, traduzione o riassunti automatici…) al marketing e al customer care (chat bots, analisi automatica dei KPIs, customer retargeting, analisi dello scaffale e ottimizzazione del prezzo, monitoraggio dei social media…), dalla tecnologia finanziaria (individuare il rischio di assicurare qualcuno o proporre dei prezzi ottimizzati, supportare le decisioni di trading, condurre l’analisi del sentimento sui mercati, individuare comportamenti anomali o fraudolenti…)