Cos'è il machine learning?

Il machine learning è uno strumento che permette alle aziende di comprendere e imparare dai propri dati. Un'azienda può usarlo in un vasto numero di settori. Il caso d'uso dipende dal fatto che un'azienda stia cercando di migliorare le vendite, fornire una funzione di ricerca, integrare comandi vocali nel proprio prodotto o creare un'auto a guida autonoma.

Il machine learning ha una fantastica gamma di utilizzi nelle aziende di oggi e tale varietà può solo aumentare e migliorare nel tempo. I settori di applicazione del machine learning includono social media e consigli sui prodotti, riconoscimento delle immagini, diagnosi in campo medico, traduzione linguistica, riconoscimento vocale e data mining, solo per citarne alcuni.

Le piattaforme di social media, come Facebook, Instagram o LinkedIn, utilizzano il machine learning per suggerire pagine da seguire o gruppi a cui partecipare in base ai post apprezzati da uno specifico utente. Utilizza i dati storici di ciò che è piaciuto ad altri o di quali post sono simili a ciò che è piaciuto all'utente e li offre come suggerimenti o li aggiunge al suo feed.  

È anche possibile utilizzare il ML su un sito di e-commerce per fornire consigli sui prodotti basati su acquisti precedenti, ricerche e azioni di altri utenti simili a quelle dell'utente.

Un uso significativo del machine learning avviene oggi nel campo del riconoscimento delle immagini. Le piattaforme di social media consigliano di taggare le persone nelle foto in base ai risultati del machine learning. La polizia ha avuto occasione di usarlo nella ricerca di sospetti in immagini o video. Con la pletora di telecamere installate in aeroporti, negozi e citofoni, è possibile capire chi ha commesso un crimine o in quale direzione è andato il criminale.

Anche le diagnosi in campo medico sono un buon campo di applicazione del ML. Dopo un evento come un infarto, è possibile tornare indietro e visualizzare eventuali segnali di allarme che sono stati trascurati. Un sistema a uso di medici o ospedali potrebbe essere alimentato da cartelle cliniche del passato e addestrato a evidenziare le connessioni tra l'input (comportamento, risultato del test o sintomo) e l'output (ad esempio, un infarto). Quindi, quando in futuro il medico inserisce i suoi appunti e i risultati dei test nel sistema, la macchina potrebbe individuare i sintomi dell'infarto in modo molto più affidabile rispetto agli umani, in modo che il paziente e il medico possano agire per prevenirlo.

La traduzione linguistica su pagine Web o app per piattaforme mobili è un altro esempio di uso del machine learning. Alcune app fanno un lavoro migliore di altre, il che dipende dal modello di machine learning, dalla tecnica e dagli algoritmi che utilizzano.

Un'applicazione quotidiana del machine learning è oggi quella nel campo delle carte bancarie e di credito. Ci sono segnali di frode che il machine learning è in grado di rilevare rapidamente laddove agli esseri umani servirebbe molto tempo per scoprirli o addirittura passerebbero del tutto inosservati. La pletora di transazioni che sono state esaminate ed etichettate (frode o meno) può consentire al machine learning di imparare a individuare le frodi in una specifica transazione futura. La tecnica di machine learning ideale per questo scopo è il data mining.

Data mining

Il data mining è un tipo di machine learning che analizza i dati per fare previsioni o scoprire modelli all'interno dei big data. Il termine è un po' fuorviante in quanto non richiede a nessuno, che si tratti di un cattivo attore o dipendente, di rovistare nei dati per trovarne uno che sia utile. Il processo implica invece l'individuazione nei dati di modelli utili per prendere decisioni in futuro.

Prendiamo, ad esempio, una società di carte di credito. A chi ha una carta di credito, è probabilmente capitato a un certo punto di essere informato dalla banca di un'attività sospetta sulla carta. Come fa la banca a individuare tale attività così rapidamente, inviando un avviso quasi istantaneo? È il data mining continuo che consente questa protezione dalle frodi. All'inizio del 2020, solo negli Stati Uniti, sono state emesse oltre 1,1 miliardi di carte. Il numero di transazioni eseguite con queste carte produce moltissimi dati usati per il mining, la ricerca di modelli e l'apprendimento allo scopo di identificare le transazioni sospette future.

Deep learning

Il deep learning è un tipo specifico di machine learning basato su reti neurali. Una rete neurale funziona emulando il modo in cui i neuroni di un cervello umano funzionano per prendere una decisione o comprendere un argomento. Ad esempio, un bambino di sei anni può guardare una faccia e distinguere sua madre dall'addetto al traffico davanti alla scuola perché il cervello analizza rapidamente molti dettagli: colore dei capelli, lineamenti del viso, cicatrici, ecc., tutto in un batter d'occhio. Il machine learning replica questo processo sotto forma di deep learning.

Una rete neurale è costituita da un numero di livelli che va da 3 a 5: un livello di input, da uno a tre livelli nascosti e un livello di output. All'interno di ognuno dei livelli nascosti avvengono le decisioni che portano verso il livello di output o la conclusione. Di che colore sono i capelli? Di che colore sono gli occhi? C'è una cicatrice? Nel momento in cui i livelli aumentano fino a essere centinaia, si parla di deep learning.