Ti è mai capitato di aprire Netflix e accorgerti che i contenuti della home rispecchiano esattamente i tuoi gusti?
Oppure vedere che la riproduzione casuale su Spotify ti propone proprio i brani che ami di più?
Un caso dici? Credo proprio di no.
Ma tranquillo, nulla di grave. Sei solo vittima di una delle tante applicazioni di un algoritmo di Machine Learning.
Oggi sono qui per spiegarti cos’è e, perché no, provare anche a farvi diventare amici.
Pronto? Cominciamo!
Che cos'è il Machine Learning?
Un articolo di McKinsey lo descrive come: “un metodo di analisi dati che automatizza la costruzione di modelli analitici”. È una branca dell'Intelligenza Artificiale che si basa sull'idea che i sistemi possono imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo.
Ma andiamo alle origini.
Il termine "Apprendimento Automatico" o "Machine Learning" viene coniato da Arthur Lee Samuel nel 1959 e nasce dalla teoria che i computer possono imparare ad eseguire compiti specifici senza essere programmati per farlo, grazie al riconoscimento di schemi tra i dati.
Tramite algoritmi, che apprendono dai dati, i computer possono individuare informazioni anche sconosciute senza che venga loro segnalato dove cercarle.
Da questo si deduce l'aspetto forse più importante del Machine Learning: la ripetitività.
Infatti, più le macchine saranno esposte ai dati e più si adatteranno al problema da risolvere in modo del tutto autonomo. Viene così replicato il comportamento umano: il computer impara da elaborazioni precedenti (come l’uomo fa con l’esperienza) e produce risultati prendendo decisioni che siano affidabili e replicabili.
Nell'odierna infosfera, termine coniato da Luciano Floridi per definire l'aumento esponenziale dei dati a nostra disposizione, avere nella propria cassetta degli attrezzi algoritmi di apprendimento automatico diventa un requisito necessario per ottenere l'informazione giusta al momento giusto.
Come funziona il Machine Learning?
Ora che sai di cosa si tratta andiamo a vedere quali sono le modalità con cui queste macchine lavorano.
Il Machine Learning, sempre secondo Arthur Samuel, funziona attraverso due approcci:
- Apprendimento supervisionato: si danno al computer esempi da utilizzare come indicazione per eseguire il compito richiesto. Adam Geitgey nel suo articolo “Machine learning is fun” lo descrive così: "nell’apprendimento supervisionato il lavoro di risoluzione viene lasciato al computer. Una volta compresa la funzione matematica che ha portato a risolvere uno specifico insieme di problemi, sarà possibile riutilizzare la funzione per rispondere a qualsiasi altro problema similare;
- Apprendimento non supervisionato: al computer non si da alcuna informazione preliminare. Vengono forniti dati senza alcuna indicazione del risultato desiderato. Questo secondo metodo di apprendimento punta a trovare schemi e modelli nascosti tra le informazioni. Vuole identificare negli input una struttura logica senza che questi siano preventivamente etichettati.
Questi sono i principali ma non gli unici modelli di apprendimento automatico. Puoi trovarne almeno altri due:
- Apprendimento per rinforzo: con questo metodo il computer è stimolato ad agire in un ambiente dinamico e a dover imparare dagli errori (identificati da una punizione) per raggiungere l’obiettivo previsto (ricompensa). L’apprendimento del sistema è garantito da una routine continua incentrata su ricompensa e punizione;
- Apprendimento semi-supervisionato: i dati offerti al computer sono incompleti. Alcuni saranno provvisti di schemi interpretativi ed altri no. Questo si può considerare come un modello ibrido.
Dove viene applicato il Machine Learning?
Come dicevo all'inizio, la maggior parte delle volte sei entrato in contatto con meccanismi di Machine Learning senza neanche accorgertene. Andiamo a vedere qualche applicazione pratica.
Uno dei primi ambiti dove puoi trovarlo è all’interno dei sistemi di raccomandazione. Questi sfruttano il Machine Learning imparando dal comportamento e dalle preferenze degli utenti che navigano su siti web o applicazioni mobile. Amazon, Netflix e Spotify sono tre ottimi esempi di questa applicazione. Ora hai capito perché le serie Tv che Netflix ti consiglia ti piacciono sempre così tanto? O perché Amazon sa sempre cosa cerchi?
Anche i filtri anti-spam delle e-mail, che imparano continuamente ad intercettare messaggi di posta elettronica sospetti ed ad agire di conseguenza, sono regolati da questi modelli di apprendimento.
Stessa cosa avviene per la prevenzione delle frodi, dei furti di dati e d’identità. Tramite l'apprendimento di eventi e abitudini delle persone i computer riescono ad identificare in tempo reale i comportamenti anomali e bloccarli. Scommetto che questa tecnologia ti sta già più simpatica, vero?
Anche i risultati dei motori di ricerca non sono nient'altro che l’effetto di algoritmi di Machine Learning con apprendimento non supervisionato. Quando digiti su Google "come fare a..." (input) gli algoritmi forniscono una serie di informazioni (output) ritenute attinenti alla ricerca effettuata in base all’analisi di schemi, modelli e strutture nei dati. Le tecniche di riconoscimento vocale o identificazione della scrittura manuale sono altre applicazioni dell'apprendimento automatico;
Per ultime, ma non per importanza, le auto a guida autonoma. Queste riconoscono l’ambiente circostante (con i dati raccolti da sensori e GPS) e allineano ad esso le loro azioni tramite algoritmi di Machine Learning.
3 tecniche di Machine Learning che dovresti conoscere
Ora che hai capito cosa sono in grado di fare questi algoritmi di Intelligenza Artificiale è arrivato il momento di andare a vedere “come lo fanno”.
La prima tecnica che voglio illustrarti è quella di regressione. Gli algoritmi di regressione sono usati principalmente per fare previsioni sui numeri. Si può analizzare il valore del cliente o il suo ciclo di vita. Oppure prevedere il prezzo ottimale di un prodotto per massimizzare il profitto.
Tramite l’analisi e lo studio di variabili quantitative è possibile far luce sull’enorme quantità di dati a nostra disposizione per prendere decisioni più puntuali.
Un secondo metodo è la classificazione. Questa consente di trovare l'appartenenza dei dati ad una classe conosciuta. In questo modo è possibile capire, per esempio, quali sono i clienti migliori per un’azienda. Effettuare quello che nel marketing si chiama segmentazione con molta più efficienza oppure scoprire quante persone non entrano più in contatto con i servizi di un’impresa e perché non lo fanno.
L’ultima tecnica di Machine Learning di cui ti parlo oggi è il clustering. Questa metodologia permette al computer di raggruppare elementi simili nello stesso gruppo creando dei segmenti con caratteristiche comuni.
Utilissimo quando si deve rappresentare logicamente una grande massa di dati per poi poterne studiare i legami e le differenze.
Ne approfitto per segnalarti che anche la Content Intelligence, ovvero l’Intelligenza Artificiale applicata ai contenuti, si serve di tecnologie di Machine Learning per classificare automaticamente i contenuti aziendali: in questo modo li rende “intelligenti” e quindi capaci di farsi ricettori degli interessi degli utenti che li visualizzano ottenendo dati preziosi con cui “aggiustare il tiro” della propria comunicazione.
Per oggi è tutto! Spero di averti schiarito le idee sul Machine Learning e averti fatto capire quanto spesso sia presente nella nostra quotidianità.
Hasta la vista, baby!
(hai capito che citavo Terminator, vero?)
