AI: il mondo segreto dell'apprendimento automatico

Il Machine Learning è un campo dell’AI che comprende lo sviluppo di algoritmi che consentono ai sistemi di apprendere dai dati e di migliorare le loro prestazioni nel tempo, senza essere specificamente programmati.

I sistemi di Machine Learning, interagendo autonomamente con i dati, riescono a riconoscere pattern complessi e a prendere decisioni basate sull’esperienza accumulata.

Cosa è un pattern?

Un pattern è uno schema ricorrente, una regolarità che si può osservare nei dati o nei fenomeni. In altre parole, è una sequenza ricorrente o una caratteristica che si verifica in modo coerente. Trovare pattern nei dati è fondamentale in molti settori, compresa l’intelligenza artificiale, perché ci consente di fare previsioni o prendere decisioni basandoci su esperienze passate.

Un classico banale esempio è costituito dal considerare un set di dati che indicano la temperatura giornaliera in una determinata città, nell’arco di un anno. Se osserviamo questi dati e notiamo che la temperatura aumenta costantemente nei mesi estivi e diminuisce nei mesi invernali, abbiamo identificato un pattern stagionale nella temperatura. Siamo così in grado di fare previsioni sulla temperatura nella città considerata, nel corso dell’anno.

E ancora, nel contesto dell’apprendimento automatico, trovare pattern significa identificare relazioni tra variabili che possono – anche queste – essere utilizzate per fare previsioni o prendere decisioni. Ad esempio, in un set di dati di clienti di una piattaforma di e-commerce, un pattern è rappresentato dalle persone che tendono a comprare più prodotti durante i fine settimana rispetto ai giorni feriali.

Vi sono anche alcuni schemi ripetitivi di design utilizzati ripetutamente nei siti web e nelle app per indurre gli utenti a fare un acquisto compulsivo, a dare, inconsapevolmente, il proprio consenso a trattamenti di dati o a condividere dati personali. Si tratta dei tristemente noti “dark pattern”.

In sintesi, un pattern è una regolarità, uno schema ricorrente o una tendenza che emerge dai dati o dai fenomeni osservati e che può essere utilizzato per fare previsioni, analisi o per prendere decisioni basate su queste osservazioni.

L’Apprendimento Supervisionato

L’apprendimento supervisionato è un tipo di Machine Learnig (apprendimento automatico) in cui un algoritmo impara da dati di addestramento etichettati. In pratica sui dati di addestramento sono annotate coppie di input e output, allo scopo di fissare le relazioni tra gli stessi input e output, in modo tale che l’algoritmo possa fare previsioni o prendere decisioni su nuovi e diversi dati di input.

In pratica, l’algoritmo utilizza i dati etichettati per imparare le relazioni tra gli input e gli output. Un classico banale esempio è quello del software che riconosce le e-mail spam. Il sistema dopo aver imparato da dati etichettati come spam o non spam, può fare previsioni sulle nuove e-mail che pervengono alla casella di posta elettronica.

 L’Apprendimento Non Supervisionato

L’apprendimento non supervisionato è sempre un tipo di Machine Learning (apprendimento automatico) in cui un algoritmo impara da dati non etichettati, cercando modelli o strutture intrinseche nei dati stessi. In questo approccio, l’algoritmo deve identificare pattern e relazioni senza avere informazioni preesistenti sugli output attesi.

Quindi, l’algoritmo esplora i dati alla ricerca di pattern, cluster o strutture intrinseche. L’obiettivo è scoprire informazioni nascoste nei dati.

L’apprendimento per rinforzo

L’apprendimento per rinforzo è un ulteriore tipo di apprendimento automatico secondo il quale “un agente” impara a compiere azioni all’interno di un ambiente che può essere la realtà fisica o virtuale o qualunque contesto all’interno del quale lo stesso agente può compiere azioni.

L’agente, che può essere un software, un robot o qualunque entità che sia in grado di interagire con un ambiente, apprende attraverso una “ricompensa”, cioè un feed-back positivo o negativo che riceve dall’ambiente per ogni sua azione (in esito, ad esempio, ad una mossa nel gioco degli scacchi). Ogni ricompensa (feed-back positivo) porta l’agente verso il risultato finale atteso che costituisce la massima ricompensa (ad esempio lo “scacco matto”).

Il Deep Learning (Apprendimento Profondo)

Il Deep Learning è un sottoinsieme del Machine Learning che si basa su reti neurali artificiali profonde. Si tratta di molti strati di nodi interconnessi capaci di apprendere automaticamente rappresentazioni complesse dei dati. Il Deep Learning è particolarmente adatto per problemi che coinvolgono grandi volumi di dati non strutturati, come il riconoscimento di immagini, il riconoscimento vocale e il riconoscimento del linguaggio naturale.

Attenzione: bisogna tener presente che per addestrare le reti neurali profonde è necessario far ricorso grandi risorse computazionali e grandi quantità di dati.

Conclusioni

Si è cercato di dare un’idea di come funziona l’apprendimento automatico che sta aprendo possibilità che una volta sembravano appartenere solo all’immaginazione. Alla luce di queste possibilità senza fine, è dovere di ogni essere umano coltivare l’apprendimento, alimentare la curiosità e abbracciare il cambiamento. Ci avviciniamo a un mondo di opportunità senza fine. La domanda che rimane è: siamo pronti a creare il futuro?

Giuseppe Alverone