L'apprendimento automatico può sembrare un corso da frequentare per lavorare in fabbrica, ma in informatica è un sottoinsieme dell'intelligenza artificiale (AI). In poche parole, consente ai sistemi di migliorare le prestazioni imparando dalle esperienze e dai dati. Il sottoinsieme dell'IA è così radicato nel software moderno che molte tecnologie esistenti che diamo per scontate non sarebbero possibili senza di esso.
Che cos'è esattamente l'apprendimento automatico (con esempi)?
Che cos'è esattamente l'apprendimento automatico (ML) e perché è così importante? L'apprendimento automatico è un'applicazione dell'intelligenza artificiale e una branca dell'informatica che consente ai sistemi di imparare dall'esperienza, dai dati e dagli algoritmi per migliorare la precisione. È interessante notare che gli sviluppatori non devono programmare esplicitamente le macchine per trarre vantaggio dal ML: i computer possono imparare da soli senza l'intervento umano.
La tecnologia moderna, come i chatbot, gli assistenti virtuali, i software antivirus proattivi e altro ancora, si basa molto sull'apprendimento automatico. Ad esempio, i veicoli a guida autonoma utilizzano diversi algoritmi di ML basati su modelli di apprendimento supervisionati e non supervisionati per decidere quali azioni intraprendere al fine di guidare bene o meglio degli esseri umani.
Allo stesso modo, la cybersecurity per le aziende, come l'Endpoint Detection and Response (EDR), può utilizzare l'apprendimento automatico per rilevare malware sconosciuti e individuare minacce "zero-day" sconosciute identificando schemi dannosi. Questa è solo la punta dell'iceberg di come l'apprendimento automatico avrà un impatto sulla sicurezza informatica in futuro.
Il ML e l'AI consentono anche la comunicazione tra macchine senza l'intervento umano. Queste applicazioni machine-to-machine (M2M) possono aiutare i sistemi di gestione della catena di approvvigionamento o del magazzino a tracciare e monitorare in modo efficiente le scorte. Allo stesso modo, le applicazioni M2M aiutano le aziende energetiche a gestire in modo più preciso le forniture, inviando i dati di raccolta delle fonti di energia a computer remoti per l'analisi.
Quali sono alcuni metodi di apprendimento automatico comuni?
Apprendimento automatico supervisionato
L'apprendimento supervisionato consiste nell'addestramento di algoritmi su set di dati etichettati sotto la supervisione di un supervisore. I dati supervisionati sono più comuni di altri metodi di apprendimento perché possono essere più efficienti. Un esempio di questo tipo di ML è rappresentato dagli algoritmi in grado di classificare lo spam presente nella casella di posta elettronica.
Apprendimento automatico non supervisionato
L'apprendimento non supervisionato è quando un algoritmo lavora con dati non etichettati e non supervisionati. Deve determinare da solo come elaborare le informazioni. I ricercatori possono usare l'apprendimento non supervisionato per trovare modelli e raggruppamenti di dati in insiemi di dati non etichettati senza intervenire. Naturalmente, un analista di dati può avere bisogno di convalidare le raccomandazioni dell'apprendimento automatico non supervisionato.
Apprendimento automatico semi-supervisionato
L'apprendimento semi-supervisionato raggiunge un equilibrio tra l'apprendimento supervisionato e quello non supervisionato, addestrando gli algoritmi con dati etichettati e non etichettati. In genere, il volume dei dati etichettati è più piccolo, mentre quello dei dati non etichettati è molto più grande. Un'applicazione dell'apprendimento semi-supervisionato è in ospedale, dove un radiologo etichetta un piccolo numero di scansioni per individuare le malattie, per aiutare le macchine a estrarre con precisione le informazioni rilevanti da un volume maggiore.
Apprendimento automatico con rinforzo
L'apprendimento per rinforzo è simile all'apprendimento supervisionato, con la differenza che l'algoritmo impara per tentativi ed errori e con ricompense ritardate invece che con dati campione. Ad esempio, un veicolo autonomo può imparare, grazie agli errori commessi in un ambiente di addestramento, quali decisioni sono indesiderabili. Allo stesso modo, un sistema sanitario può utilizzarlo per determinare le politiche ottimali in base alle esperienze passate.
Qual è la differenza tra AI e apprendimento automatico?
Quando si cerca l'IA rispetto all'apprendimento automatico, si può notare che alcune persone usano erroneamente i termini in modo intercambiabile. AI è essenzialmente un termine generico per indicare l'intelligenza sintetica. L'apprendimento automatico, invece, è un'attività di AI che consente alle macchine di imparare dalle esperienze e dai dati senza che qualcuno le programmi o le assista. Una macchina che utilizza l'IA può non avere necessariamente capacità di ML. Ad esempio, nel 1996 il sistema di scacchi Deep Blue di IBM ha utilizzato più IA e meno ML per sconfiggere il grande maestro russo Garry Kasparov valutando innumerevoli mosse in tempo reale.
Quali settori utilizzano l'apprendimento automatico?
- I governi utilizzano l'apprendimento automatico per i servizi di pubblica utilità, la sicurezza pubblica, il rilevamento delle frodi o il controllo delle frontiere, analizzando un volume enorme di dati.
- Le aziende del settore sanitario utilizzano l'apprendimento automatico per migliorare la diagnosi e il trattamento e per sviluppare dispositivi di monitoraggio della salute accurati.
- Le aziende del settore retail possono migliorare gli obiettivi di marketing mirati analizzando i modelli di acquisto dei clienti.
- Il settore energetico trova le fonti in modo più efficiente con gli algoritmi di apprendimento automatico.
- Molte aziende del settore dei trasporti, come le società di consegna, di ridesharing e di trasporto pubblico, utilizzano i computer per trovare i percorsi ideali per migliorare i servizi, la redditività e la riduzione dell'impronta di carbonio.
- Il settore finanziario utilizza l'apprendimento automatico per migliorare la sicurezza informatica e le informazioni essenziali sui dati.
Netflix utilizza l'apprendimento automatico?
Sì, Netflix utilizza il ML o diverse applicazioni. Una delle più evidenti è il sistema di raccomandazione dei contenuti. Il sistema utilizza il ML per esaminare le preferenze di genere, la cronologia delle visualizzazioni e la cronologia delle visualizzazioni di utenti affini per suggerire quali film, pellicole e documentari provare.