Oggi ti parlerò di un argomento mooooolto interessante ma anche complicato, perché si tratta di una di quegli argomenti di cui senti parlare ovunque ma che alla fine della fiera non si capisce mai nulla.

Non ti preoccupare, cercherò di toglierti ogni tuo dubbio 😛

Ok, sono pronto. Spara questo argomento!

Sto parlando di Machine Learning.

Il primo a dare una definizione di Machine Learning fu Arthur Samuel nel 1959: “Il campo di studi che dà ai computer l’abilità di imparare senza che siano stati programmati per farlo“.

Sembra fantascienza ma non lo è.

In realtà, anche se negli anni il concetto di Machine Learning si è ampliato e modificato in una serie di nuove aeree e concetti, il suo obiettivo principale è rimasto lo stesso, e cioè quello di fare in modo che i computer riescano a trovare informazioni strategiche senza che siano stati programmati per farlo, ma, al contrario, imparino da algoritmi che si aggiornano ripetutamente grazie ai dati.

Esempi dove viene utilizzato il Machine Learning

Sì ok, tutto bello, ma questo Machine Learning dove si trova? In realtà, è applicato nella vita di tutti i giorni e in cose ormai considerate per nulla fantascientifiche. Alcuni esempi: all’interno delle auto a guida autonoma di Google o gli strumenti di raccomandazione online (per esempio le amicizie suggerite su Facebook, i consigli di acquisto di Amazon, i film suggeriti di Netflix, ecc. ).

E questo è solo l’inizio.

Il Machine Learning è arrivato a livelli molto sofisticati, infatti al contrario di anni fa, dove elaborare molti dati era complesso, ora è possibile analizzare grossi volumi di dati senza problemi. Il tutto grazie a degli algoritmi che processano le informazioni in real time, con analisi e risultati precisi.

Ma come impara questo Machine Learning?

Ci sono tre metodi principali:

  1. Supervised Learning: quando gli input e gli output sono chiaramente identificabili, e l’obiettivo è quello di trovare l’errore. È utilizzato in quei casi dove i dati storici possono predire gli eventi futuri, come le transazioni fraudolente.
  2. Unsupervised Learning: al contrario, in questo caso, non esistono i dati storici e lo scopo è quello di trovare dei pattern all’interno dei dati. Viene utilizzato per creare cluster degli utenti e segmentarli in base a determinati attributi.
  3. Semi-Supervised Learning: è un mix tra i primi due metodi, un esempio dove viene utilizzato è per i riconoscimenti vocali e facciali.

Interessante, vero?

Il Machine Learning è una branca dell’intelligenza artificiale.

Cos’è il Machine Learning e come funziona

Il Machine Learning (in italiano possiamo tradurlo come “apprendimento automatico”) è un metodo di apprendimento artificiale che permette ai computer di imparare dall’esperienza.

È strano parlare di “esperienza” riferendosi ad un computer, non trovi? 🙂

Eppure — proprio come accade per noi umani — anche le macchine imparano ogni volta che compiono una determinata azione, migliorando le proprie capacità e le proprie prestazioni. E la cosa sorprendente è che, una volta programmate, apprendono in modo autonomo.

Ma come fanno i computer ad imparare da soli?

La loro intelligenza risiede negli algoritmi.

Al computer vengono forniti dei dati iniziali contenuti all’interno degli algoritmi: quest’ultimi riescono a sviluppare una propria logica di ragionamento per svolgere i compiti richiesti.

Man mano che il computer esegue un compito, gli algoritmi immagazzinano l’esperienza che riutilizzeranno per la loro prossima azione.

I 3 metodi di apprendimento del Machine Learning

Il metodo di apprendimento del Machine Learning si divide in tre categorie.

Apprendimento supervisionato

Al computer vengono forniti: un set di dati (input) e le informazioni relative ai risultati da raggiungere. L’obiettivo è che la macchina identifichi una regola generale che colleghi i dati in ingresso (input) con quelli in uscita (output), in modo da poter riutilizzare tale regola per svolgere altri compiti simili.

In altre parole, il computer deve trovare il nesso tra le informazioni di base e il risultato finale.

Apprendimento non supervisionato

Il computer ricevere solo un set di dati senza alcuna indicazione del risultato desiderato. È il sistema stesso a catalogare tutte le informazioni in suo possesso e a imparare il loro significato. Sopratutto, dovrà capire autonomamente come utilizzare le informazioni per ottenere il miglior risultato a seconda delle diverse situazioni.

Apprendimento per rinforzo

Il sistema, in questo caso, deve interagire con l’ambiente esterno (tramite sensori, GPS o telecamere) e raggiungere il massimo risultato che è possibile ottenere.

Ma come?

Bisogna addestrare la macchina con una tecnica che a noi suona molto familiare, “sbagliando si impara”.

Funziona così: il computer impara dai propri errori e viene spronato a raggiungere il massimo risultato grazie ad una ricompensa. Più il computer migliora le proprie prestazioni, più sarà ricompensato.

In questo modo, la macchina concentra gli sforzi sullo svolgimento di un compito, mirando a raggiungere il massimo valore della ricompensa.

Questo metodo viene applicato alla guida senza conducente, ad esempio.

Le applicazioni

Motori di ricerca

Devi sapere che — quando interroghi il motore di ricerca — si mettono in moto una serie di algoritmi intelligenti che analizzano la tua keyword per restituire il risultato più pertinente alla ricerca.

Senza fare troppi giri di parole, pensa a Google Hummingbird (in italiano sarebbe colibrì). Sai che a Google piacciono gli animali 🙂

Hummingbird è un potente algoritmo di Machine Learning in grado di interpretare lo user intent, grazie alla semantica delle parole: non solo comprende i sinonimi, ma riesce a desumere il contesto dalla query.

Ricerca vocale e domotica

Ti sei mai chiesto come Google, Siri oppure Alexa riescano a capirci e… ad avere sempre la risposta pronta? 😉

Il loro segreto sta — ancora una volta — nell’intelligenza artificiale, e più nello specifico nel Machine Learning che funge da cervello digitale in grado di capire l’intento di ricerca in base alle richieste fatte in precedenza dagli utenti, alla posizione e alle interazioni con il dispositivo.

È sempre grazie al Machine Learning che gli impianti di domotica seguono i nostri comandi vocali e ci aiutano a gestire la casa in modo intelligente.

Filtri anti-spam delle mail

Ebbene sì, anche i filtri anti-spam delle nostre caselle di posta elettronica si servono dell’intelligenza artificiale.

Grazie agli algoritmi di Machine Learning, la casella email è in grado di intercettare messaggi sospetti o fraudolenti e agire di conseguenza, eliminandoli.

Non solo: più fanno pratica, più affinano la tecnica.

Guida senza conducente

Le auto a guida autonoma utilizzano quella categoria di apprendimento di Machine Learning detta “apprendimento per rinforzo”.

Grazie all’ausilio di sensori, GPS e telecamere, queste auto imparano a riconoscere l’ambiente circostante e ad adattare il loro comportamento in base alle specifiche situazioni che devono affrontare, come frenate e sterzate.

 

Anche tu sei affascinato dall’intelligenza artificiale e dal Machine Learning? Io sì, parecchio!

Se ti va, lasciami un tuo commento qui sotto 🙂

PS: Ma Google Tag Manager cosa c’entra?! E se ti dicessi che è possibile inserire alcuni algoritmi nelle pagine web con GTM? Curioso? 😛

A presto e… Buon Tag!

Link Utili:

Machine Learning Approfondimento

Machine Learning Wikipedia

Condividi anche tu Google Tag Manager!

Hai ancora qualche dubbio?
Chiedi pure qui sotto, sarò pronto a risponderti!

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.