Il Machine learning è un metodo di analisi dati che insegna a computer e robot a compiere azioni in modo naturale imitando gli esseri umani. Attraverso programmi di apprendimento automatico gli algoritmi di Machine Learning usano metodi matematico-computazionali per apprendere informazioni direttamente dai dati, senza elementi predeterminati. Gli algoritmi di Machine Learning migliorano le loro prestazioni in conseguenza al numero delle informazioni apprese.

Il Machine learning è un ambito dell’Intelligenza Artificiale. Si basa sulla continua memorizzazione di dati da parte del sistema e sull’identificazione autonoma di modelli al fine di ridurre al minimo l’intervento umano. L’obiettivo di questo meccanismo quindi è quello di permettere ad una macchina intelligente di migliorare le proprie capacità e prestazioni nel tempo.

La nascita del Machine learning

Il Machine Learning nasce grazie ad un’intuizione del matematico inglese Alan Turing. Il britannico ipotizzò la necessità di creare algoritmi specifici per realizzare macchine autonomamente in grado di apprendere.
Concretamente è negli anni ’50 che il processo di sviluppo del machine learning prende vita grazie all’informatico statunitense Arthur Samuel. Samuel è conosciuto nel mondo dell’intelligenza artificiale non solo per le sue ricerche sull’apprendimento automatico, ma anche per il gioco di dama creato per IBM nel 1952.

Modalità di apprendimento automatico

Ad oggi esistono differenti modalità di apprendimento, tutte efficaci. Queste differiscono sia per la tipologia di algoritmi utilizzati che per lo scopo con cui sono realizzate le stesse macchine. I sistemi di apprendimento automatico possono quindi essere di tre tipi:

• supervisionato,
• non supervisionato,
• per rinforzo

In base alla macchina su cui si opera si sceglie il modello più adatto, garantendo così sempre la massima performance e il migliore risultato possibile.

Apprendimento supervisionato

L’apprendimento supervisionato consiste nel fornire al sistema una serie di modelli ed esempi che permettono di costruire un database di informazioni e di esperienze. Così facendo la macchina può attingere alle esperienze inserite nel proprio sistema, analizzarle e decidere come risolvere il problema sulla base delle sue conoscenze. Questo tipo di apprendimento è insito nella macchina che deve solo scegliere quale sia la migliore risposta allo stimolo che le viene dato.

Gli algoritmi ad apprendimento supervisionato sono molto intuitivi: possono scansionare una serie di problemi specifici per ottenere una soluzione idonea ad un problema generale. Per questo sono utilizzati in molti settori come quello medico o quello dell’identificazione vocale.

Apprendimento non supervisionato

L’apprendimento non supervisionato prevede che la macchina possa avere la possibilità di attingere a determinate informazioni senza avere alcun esempio del loro utilizzo. Questo implica che non abbia conoscenza dei risultati attesi in merito alla scelta effettuata. É la macchina stessa fornire a fornire a se stessa un training. Deve catalogare tutte le informazioni in input, organizzarle ed impararne il significato, l’utilizzo e il risultato finale a cui esse portano. L’apprendimento senza supervisione rende quindi le macchine più autonome ed autosufficienti. Inoltre, permette di organizzare le informazioni in maniera intelligente e imparare quali sono i risultati migliori per le differenti situazioni che si presentano.

Apprendimento per rinforzo

É il sistema di apprendimento più complesso fra i tre. La macchina deve essere estremamente autosufficiente: dotata di sistemi e strumenti in grado di migliorare il proprio apprendimento e di comprendere le caratteristiche dell’ambiente circostante. Alla macchina vengono forniti una serie di elementi di supporto (sensori, telecamere, GPS) che le permettono identificare ed imitare l’ambiente circostante. Un esempio di tecnologia che utilizza questo metodo di apprendimento è quello delle auto senza pilota. Grazie a un complesso sistema di sensori di supporto è in grado di riconoscere eventuali ostacoli, seguire le indicazioni stradali e molto altro.

Il machine learning nella quotidianità

L’utilizzo dell’ apprendimento automatico, contrariamente a quanto si possa pensare, è molto diffuso nella nostra quotidianità. Il riconoscimento vocale degli smartphone e la domotica domestica sono dei chiari esempi di impiego del machine learning nella vita di tutti i giorni. Grazie all’apprendimento automatico la tecnologia può acquisire facilmente nuovi vocaboli o modi di dire seguendo i comandi vocali che vengono impartiti. Un altro esempio è quello relativo alle pubblicità traccianti e all’adattamento delle stesse in base alle ricerche degli utenti.

Apprendimento automatico vs data mining

Anche il data mining rappresenta una forma di apprendimento, ma limitata al solo non supervisionato. Questo mira all’estrazione di informazioni e dati per il miglioramento delle conoscenze della macchina ma si differenzia dal machine learning per lo scopo finale. Entrambe le tecnologie contemplano una forma di apprendimento non supervisionato ma la differenza fra le due è sostanziale. Il data mining ha come obiettivo quello di migliorare continuamente le possibilità di prestazioni della macchina. Il machine learning, invece, non pretende solo un continuo apprendimento ma anche la riproduzione delle conoscenze effettuate, al fine di un miglioramento sempre più avanzato e specifico.