Macchine che imparano: il Machine Learning

Capire come le macchine “imparano” è il primo passo per demistificare l’intelligenza artificiale. In questo articolo scoprirai che non si tratta di magia, ma di dati e algoritmi.

Riprendiamo lo studio dell’AI con le risposte corrette al quiz della scorsa settimana: 1-b, 2-c, 3-a.

Il termine “apprendimento automatico” (machine learning) può sembrare complesso, ma il concetto è sorprendentemente semplice. Si tratta di una delle tecnologie più potenti dell’AI e rappresenta il cuore di molte applicazioni che utilizziamo ogni giorno, dai suggerimenti pubblicitari ogni volta che facciamo una ricerca su Google al riconoscimento vocale sullo smartphone.

Cosa significa Machine Learning?

Il Machine Learning (ML) è un sottoinsieme dell’intelligenza artificiale (AI) che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano.
Attualmente, il machine learning è utilizzato ovunque. Quando interagiamo con le banche, acquistiamo online o utilizziamo i social media, vengono utilizzati gli algoritmi di machine learning per rendere la nostra esperienza efficiente, facile e sicura.

Come funziona l’apprendimento automatico?

Immagina di insegnare a un bambino a riconoscere le mele. Gli mostri tante foto di frutti, dicendogli: “Questa è una mela”. Dopo un po’, il bambino impara a distinguerla da una pera o da un’arancia. Il machine learning funziona in modo simile: gli fanno vedere molte mele, poi forniscono molti dati sulle stesse ad un algoritmo, che li analizza per riuscire identificare una mela in un cesto di frutta.
Nel machine learning possiamo distinguere tre grandi modelli, basati sulla tipologia di apprendimento:

1. ML supervisionato: sono i modelli oggi  più comuni e vengono addestrati con set di dati classificati, che consentono ai modelli di apprendere e diventare più accurati nel tempo. Ne è esempio un algoritmo che viene addestrato con immagini di cani, tutte classificate da esseri umani, e che apprende da sola i modi per identificare altre immagini di cani.
2. ML non supervisionato: un programma cerca modelli nei dati non etichettati (un dato etichettato è la foto del cane con l’etichetta “cane”) e individua delle tendenze non esplicite. Ad esempio, un programma che esamina i dati sulle vendite online di vino e cerca di identificare sia i vari tipi di clienti che effettuano gli acquisti che le loro preferenze.
3. ML per rinforzo: addestra le macchine a scegliere l’azione migliore, stabilendo un sistema di ricompensa basato sull’utilizzo di feedback positivi o negativi. L’apprendimento automatico per rinforzo può, per esempio, addestrare dei veicoli autonomi a guidare, comunicando alla macchina quando ha preso le decisioni giuste e aiutandola ad imparare nel tempo le azioni da intraprendere.

Esempi pratici di utilizzo quotidiano

I sistemi di Machine Learning hanno la capacità di apprendere dall’esperienza passata o dai dati storici. Vediamo alcuni esempi nella vita reale in cui  l’apprendimento automatico aiuta a rendere la tecnologia migliore per alimentare le idee di oggi.

• Riconoscimento delle immagini
• Riconoscimento vocale
• Diagnosi mediche
• Estrazione di dati

Conclusioni

Il machine learning è la chiave che consente alle macchine di “imparare” dai dati, rendendo possibile una vasta gamma di applicazioni quotidiane. Anche se potente, il machine learning è ancora lontano dal replicare la complessità del pensiero umano.

Se ti è piaciuto questo articolo, ti consiglio di leggere “AI vs. Intelligenza Umana” per approfondire le differenze tra intelligenza artificiale e umana. Nel prossimo articolo, parleremo dei diversi tipi di AI, dalla debole alla forte, fino alla superintelligenza.

1- Quale tra le seguenti è una caratteristica dell’apprendimento supervisionato?:
a) Il modello impara da tentativi ed errori
b) Il modello analizza dati con etichette
c) Il modello non necessita di dati

2- Qual è un esempio di machine learning nella vita quotidiana?
a) Scrivere a mano una lettera
b) Raccomandazioni su Netflix
c) Usare una calcolatrice

3- Quale affermazione è corretta riguardo il machine learning?
a) Può pensare come un essere umano
b) Non richiede dati per funzionare
c) Riconosce schemi nei dati

Le risposte corrette le troverai all’inizio del prossimo articolo!