Machine learning: cos’è e come funziona l’apprendimento automatico

Nuova puntata della speciale rubrica multimediale #YabeRevolution in collaborazione con Aion Team. 
Voci, video, articoli di approfondimento, storie, numeri… tutto sul software made in Italy del momento in una serie di reportage esclusivi. L’appuntamento di oggi è dedicato al machine Learning, una tecnologia che viaggia al fianco dell’intelligenza artificiale ma anche un termine che a volte viene utilizzato a sproposito. Scopriamone insieme tutti i segreti.
Qui le prime puntate della rubrica:
– Viaggio al centro del “caso” Yabe. «Così rilanciamo l’eccellenza dello sviluppo software made in Italy»
– Software house cos’è, perché tutti la cercano e come si sceglie. Il caso AionTeam
– Business Intelligence cos’è, a cosa serve e perché è fondamentale. Il caso Yabe

Cos’è il Machine Learning

Come mettono in evidenza gli Osservatori del Politecnico di Milano, la traduzione italiana di questo termine è apprendimento automatico.
La caratteristica fondamentale che accomuna le diverse soluzioni di machine learning è quella di essere dei sistemi in grado di apprendere dall’esperienza, in maniera simile (almeno in apparenza) a quella degli esseri umani.

In altre parole, con il machine learning le macchine ricevono una serie di dati e sono capaci di apprendere da questi, senza ricevere una programmazione esplicita, modificando e migliorando le proprie previsioni via che ricevono ulteriori input su quello che stanno elaborando.
Dunque, in questo senso, il machine learning modifica radicalmente l’approccio classico alla programmazione: se prima era necessario scrivere dettagliate righe di codice per istruire la macchina su tutti i passaggi da fare, con il ML è la macchina – ovvero l’algoritmo – a sviluppare una sua logica e a compiere determinate azioni, in base al set di dati a disposizione.

Proprio i dati sono quelli che stanno garantendo al machine learning, in questi ultimi anni, di diventare uno dei segmenti chiave della grande famiglia dell’Intelligenza Artificiale, passando dalla teorizzazione all’applicazione pratica. Per la precisione, il machine learning ha oggi l’opportunità di essere veramente utile in casi concreti grazie alla possibilità di addestrare gli algoritmi con grandi volumi dati (il fenomeno dei cosiddetti Big Data).

È possibile distinguere diversi passaggi necessari per la creazione di un modello di machine learning: innanzitutto occorre nutrire di dati l’algoritmo, per poi effettuare una successiva fase di addestramento. A questo punto può essere messo a punto un modello di test o pilota, su cui possono essere eseguite delle attività a portata limitata. Una volta che questa importante fase è stata conclusa, diventa possibile distribuire il modello alla organizzazione cliente, che sarà in grado di eseguire un’attività in maniera automatizzata.

Tre diversi approcci

Proprio l’addestramento dei dati, come è facile da capire, rappresenta il passaggio chiave da cui dipende la buona riuscita o meno dei progetti di machine learning. In questo senso è possibile effettuare una prima importante distinzione tra due diverse modalità di addestramento, ovvero l’apprendimento supervisionato e quello non supervisionato.

Addestramento supervisionato

Costituisce un approccio nel quale alla macchina viene fornito un dataset di esempio (training set) per la generazione di diversi algoritmi capaci di correlare le caratteristiche dei dati con un’etichetta (per esempio la relazione tra determinate caratteristiche cliniche con l’etichetta «soggetto sano/malato»).

Addestramento non supervisionato

Si tratta di un approccio utilizzato quando le etichette delle variabili input sono ignote, dunque si tratta fondamentalmente di dati non strutturati. L’algoritmo deve analizzare i dati al fine di individuare relazioni e trovare schemi all’interno dei dati. Un esempio classico di apprendimento senza supervisione è il clustering, ovvero la selezione di gruppi di utenti con caratteristiche simili per proporre offerte commerciali mirate.

Nella maggioranza dei casi si tende a scegliere un apprendimento supervisionato quando si deve addestrare un modello per fare una previsione, ad esempio stimare il valore futuro di una variabile continua, come la temperatura o il prezzo di un’azione, o effettuare una classificazione come, ad esempio, identificare le marche di automobili dalle riprese video di una webcam.

Al contrario, si utilizzerà un apprendimento non supervisionato se si ha bisogno di esplorare i propri dati e individuare una buona rappresentazione interna, proprio come ad esempio la suddivisione dei dati in cluster.

Machine learning per rinforzo

Un’altra possibilità per l’addestramento dei modelli di machine learning è quella del cosiddetto apprendimento per rinforzo (in inglese Reinforcement learning).
Si tratta di un approccio nel quale la macchina riceve in input un obiettivo da raggiungere: per ogni azione che la porta verso l’obiettivo riceve un premio, per ogni azione che la allontana dallo scopo ottiene una penalità.

La grande differenza rispetto alle altre due modalità di addestramento, è quella di stimolare i modelli a risolvere autonomamente problemi complessi senza l’inserimento di alcun tipo di input (ovvero dati), ma semplicemente attraverso l’interazione con l’ambiente.

Scegliere l’approccio giusto

Non è facile stabilire in astratto quale sia il metodo migliore per creare un buon modello di machine learning. Anche perché soltanto la successiva esperienza sul campo, ovvero la buona riuscita o meno dei progetti, può dire se l’algoritmo di partenza fosse buono o meno. Saperlo con certezza a priori è difficile anche per i Data Scientist più esperti.

In ogni caso, è possibile sottolineare come – in linea estremamente generale – la selezione dell’algoritmo dipenda anche dalle dimensioni e dal tipo di dati con cui si sta lavorando, nonché dalle informazioni che si vuole ottenere e da come esse debbano essere utilizzate. Una prassi ormai quasi indispensabile è la realizzazione di piccoli progetti pilota, che permettano di testare sul campo il funzionamento del modello e correggerne, eventualmente, difetti e criticità.

Da un punto di vista tecnologico, Python è considerato il linguaggio di programmazione più popolare per il machine learning, tanto da supportare l’implementazione di un’ampia gamma di modelli e algoritmi di machine learning. D’altra parte esistono altri linguaggi che possono essere utilizzati a questo scopo, come R.

In ogni caso, al di là di questi aspetti, è importante che l’applicazione di un modello di machine learning in azienda non risulti calata dall’alto e sia imposta ai dipendenti senza alcuna  partecipazione. Il rischio sarebbe quello di creare degli algoritmi scollegati dalla produttività aziendale. Anzi, sempre più spesso, la fase di creazione degli algoritmi e dei modelli è preceduta da un lavoro di confronto con i team aziendali, che possiedono un’expertise e una competenza assolutamente indispensabile per l’allestimento di progetti efficienti.

Le possibili applicazioni

Per i non addetti ai lavori, il machine learning può sembrare qualcosa di futuristico o di futuribile, ma ormai questa tecnologia è pienamente entrata nella nostra vita quotidiana.

In particolare, una buona parte delle interazioni che abbiamo come utenti della rete Internet è mediata da sistemi che basano il proprio funzionamento sull’apprendimento automatico. Pensiamo ad esempio agli assistenti vocali presenti nelle nostre case, oppure ai suggerimenti automatici di acquisti che ci compaiono quando frequentiamo un sito di ecommerce o sui nostri profili social…

In linea generale le applicazioni tendono a nascere in tutti quei settori dove sono disponibili grandi volumi di dati dai quali si possono estrapolare informazioni utili per ottimizzare i servizi (interni e esterni): dal mondo bancario al marketing, fino alla diagnosi medica.

L’energia

Le utility, ad esempio, ormai impiegano abitualmente modelli di machine learning per avere un quadro più chiaro della domanda, così da programmare accensione e spegnimento delle proprie centrali, nonché per calibrare il funzionamento delle reti elettriche.

Banking

In ambito pagamenti digitali le soluzioni di machine learning sono sempre più fondamentali per la prevenzione delle frodi, grazie alla loro capacità di individuare in pochissimi istanti i possibili dati incongruenti o allarmanti. Il machine learning aiuta così le banche e le società emittenti di carte di credito a esaminare grandi quantità di dati transazionali per identificare le attività sospette in tempo reale.

Chatbot

Come consumatori, almeno una volta nella vita, abbiamo ormai avuto a che fare con chatbot e assistenti virtuali automatizzati, che vengono largamente utilizzati sul web per meccanizzare le attività di assistenza clienti di routine e velocizzare la risoluzione dei problemi.
Nell’intero mondo consumer, i dati dei clienti permettono di addestrare gli algoritmi di machine learning per l’analisi del sentiment sui social, nonché per effettuare analisi delle previsioni di vendita ed elaborare ipotesi sul tasso di abbandono.

Industria

Oltre all’ambito commerciale e marketing, il machine learning può risultare estremamente utile in un settore completamente differente, come quello industriale: il machine learning, ad esempio, è alla base della computer vision, la quale a sua volta è sempre più utilizzata negli stabilimenti produttivi per migliorare il monitoraggio della qualità degli articoli prodotti, riducendo così alla radice gli eventuali difetti di produzione.
Il machine learning è alla base anche di tutte le soluzioni di manutenzione predittiva, che puntano cioè a prevedere i possibili guasti ai macchinari industriali, ancora prima che si verifichino i momenti di fermo, nonché delle fasi di gestione del magazzino e della logistica.

Sicurezza

Nel mondo della sicurezza il machine learning aiuta le aziende a migliorare le proprie capacità di analisi delle minacce e le loro risposte ad attacchi informatici, hacker e malware. Basti pensare ai filtri antispam che proteggono le nostre mail, che sono largamente equipaggiati con il machine learning.

Il futuro del machine learning

In futuro, con tutta probabilità, assisteremo a un ulteriore sviluppo del machine learning. A spingere questa tecnologia, secondo Gartner, sarà anche il trend dell’Hyperautomation, che a sua volta prevede la possibilità di automatizzare tutto quanto sia possibile nei contesti aziendali.

Una necessità quella dell’Hyperautomation, che è stata accelerata dalla pandemia e che, naturalmente, non può fare a meno del machine learning come supporto, dal momento che le aziende devono conservare la capacità di adattarsi a situazioni impreviste e imprevedibili.
Sempre più spesso, inoltre, si assisterà a una combinazione con quello che uno dei più grandi trend della tecnologia, quello cioè dell’IoT. Infine, anche il machine learning, così come tutta la famiglia dell’intelligenza artificiale, sarà interessato nel futuro da una maggiore attenzione agli aspetti etici, a partire dai dati immessi per l’elaborazione dei modelli (che spesso sono stati caratterizzati da bias e pregiudizi).

Il caso Yabe

La tecnologia permette oggi di godere di un’unica interfaccia per approcciare vari aspetti di business di un’azienda. Che si tratti di BI, real time analytics, process automation, ELT ma anche machine learning, poche piattaforme sono adatte per concentrare al loro interno benefici differenti: Yabe è tra queste.

La piattaforma, sviluppata da Aion Team, integra tecnologie e funzionalità avanzate ed è erogabile sia in cloud che on premise. Progettata con filosofia user centred design, in cui il business analyst, fruitore principale della soluzione, la utilizza, la configura e la gestisce in piena autonomia, Yabe è accessibile a tutti, perché presenta funzionalità simili a strumenti di back office consolidati, come Excel, e non richiede conoscenze tecniche di programmazione. Adatto alle grandi aziende come alle PI, Yabe è un sistema avanzato, con cui ottimizzare le prestazioni con la trasparenza di dover sostenere costi ottimizzati, con architettura scalabile e adattabile alle diverse dimensioni delle aziende.

Rendendo automatiche molte operazioni di analytics (l’analisi delle varianze e la ricerca di anomalie, per esempio), il machine learning integrato in Yabe non solo libera le persone da compiti di routine e a scarso valore aggiunto ma permette anche di mettere il turbo alla produttività in azienda. E quando la velocità si combina con la compliance, è possibile garantire qualità e validità alle analisi. Yabe interpreta l’anomalia, aiutando a monitorare la salute dell’azienda, anche di server e software, scovando irregolarità nel traffico dati e indizi di attacchi informatici in corso o potenzialmente in arrivo.

Le stesse capacità avanzate dello strumento consentono di effettuare analisi previsionali su trend futuri. I dati pronti per l’analisi consentono una maggiore proattività e contemporaneamente fissano obiettivi raggiungibili nelle previsioni future, basate su dati passati e non su presunzioni tradizionali. Quindi il processo decisionale è più veloce e la funzione complessiva del team sui risultati è molto più efficiente. Una sufficiente previsione basata sui dati porta a metodi tempestivi e risponde alle sfide in anticipo in tempo reale, risparmiando sul costo e sull’esito di reazioni ritardate in situazioni di mercato critiche. Inoltre, gli algoritmi di machine learning di Yabe aiutano a costruire modelli di comportamento dei clienti, per realizzare campagne più efficaci, mantenendo elevati indici di redditività per il business.