Machine Learning: quando le macchine imparano da sole

Il Machine Learning è lo strumento migliore per analizzare, comprendere e identificare i modelli esistenti nei dati. Vediamo nel dettaglio come funziona, come viene impiegato nei vari ambiti industriali, e quali sono le previsioni di crescita per il futuro

Il termine “Machine Learning” è stato utilizzato per la prima volta nel 1959 quando Arthur Samuel, pioniere dell’intelligenza artificiale (IA), definì l’apprendimento automatico come “un campo di studio che ha lo scopo di offrire ai computer la capacità di apprendere senza essere esplicitamente programmati”. L’apprendimento automatico è quindi un’applicazione dell’intelligenza artificiale che consente a un programma di apprendere dalle esperienze e di migliorarsi. L’idea alla base del Machine Learning è che un computer possa essere addestrato per automatizzare attività che sarebbero noiose, difficili o impossibili per un essere umano. In altri termini, il Machine Learning punta a rendere le macchine più simili a noi nel loro comportamento e nel processo decisionale, dando loro la capacità di apprendere dall’esperienza con il minimo intervento umano, ovvero senza alcuna programmazione esplicita. I Virtual Assistant ne sono un esempio. I dati rappresentano il “carburante” per l’apprendimento automatico, e senza dati sarebbe addirittura impossibile. Di conseguenza, l’apprendimento automatico ha bisogno di un’enorme potenza di calcolo, di dati e di dispositivi in grado di archiviare una mole di dati molto ampia. Oggi disponiamo di tutti questi requisiti, e possiamo utilizzare il Machine Learning in molteplici applicazioni.

Machine Learning e Intelligenza Artificiale

L’apprendimento automatico è una parte dell’intelligenza artificiale che si è evoluta dal riconoscimento di modelli e dall’apprendimento computazionale. Comprende lo studio e la costruzione di algoritmi abbinati alla capacità di previsione dei dati.
Il modo in cui la macchina apprende è simile a quello dell’essere umano. Gli esseri umani imparano dall’esperienza: più sappiamo, più facilmente possiamo prevedere. Quando affrontiamo una situazione sconosciuta, la probabilità di successo è inferiore a quella di una situazione nota. Le macchine sono addestrate nello stesso modo. Per fare una previsione accurata, la macchina vede un esempio. Quando le forniamo un esempio simile, essa può arrivare al risultato automaticamente. Tuttavia, come un essere umano, se riceve un esempio mai visto prima, ha difficoltà a fare delle previsioni.
Per esempio, tutti conoscono la Google Car, un’auto dotata di laser sul tetto che le dice dove si trova rispetto all’area circostante. Ha un radar nella parte anteriore, che la informa sulla velocità e sul movimento di tutti i veicoli intorno a lei. La Google Car utilizza tutti questi dati per capire non solo come procedere, ma anche per prevedere che cosa faranno i veicoli circostanti, elaborando quasi un gigabyte di dati al secondo.
Le applicazioni delle tecnologie di Machine Learning includono per esempio l’OCR (riconoscimento ottico dei caratteri), la visione artificiale, il filtraggio delle e-mail e il rilevamento di intrusi in una rete.
La tecnologia Machine Learning trova varie applicazioni anche in molti segmenti industriali. Per esempio, nella previsione delle vendite future per ottimizzare il processo produttivo, nel controllo di qualità del prodotto (Quality 4.0) e nella Predictive Maintenance.
Facendo un passo più in là il Deep Learning, una variante del Machine Learning, ha fornito a robot e macchine nuove capacità di riconoscimento di immagini e tendenze, di fare previsioni e di prendere decisioni intelligenti.
Allo stesso tempo, la capacità di prevedere i comportamenti dei consumatori faciliterà la crescita nel segmento del marketing e pubblicitario. Nel segmento BFSI (Banking, Financial Services and Insurance) può essere ampiamente utilizzata per la gestione patrimoniale, l’approvazione del prestito e altre procedure. A ciò si aggiungono segmenti come la gestione dei documenti, la pubblicazione e la sicurezza.

Apprendimento e inferenza

Un modello di machine learning apprende dai dati storici che gli vengono forniti, e quindi crea algoritmi per prevedere l’output per il nuovo set di dati che arriva come input al sistema. L’accuratezza di questi modelli dipende dalla qualità e dalla quantità di dati di input. Una grande quantità di dati aiuterà a costruire un modello migliore che prevede l’output in modo più accurato.
Supponiamo di avere un problema complesso che richiede di eseguire alcune previsioni. Invece di scrivere del codice, il problema può essere risolto fornendo i dati ad algoritmi di apprendimento automatico. Con il loro aiuto, la macchina svilupperà la logica richiesta e prevederà l’output.
Gli obiettivi principali del Machine Learning sono l’apprendimento e l’inferenza. In primo luogo, la macchina impara attraverso la scoperta degli schemi (pattern) contenuti nei dati. Una parte cruciale del data scientist è quindi quella di scegliere con attenzione i dati da fornire alla macchina. L’elenco degli attributi utilizzati per risolvere un problema è chiamato “vettore di caratteristiche”, un sottoinsieme di dati che viene utilizzato per affrontare un problema. La macchina utilizza quindi alcuni algoritmi per trasformare in un modello i pattern rilevati. In sostanza, la fase di apprendimento viene utilizzata per analizzare i dati disponibili, rilevare i pattern presenti e riassumerli in un modello. Una volta costruito il modello, i nuovi dati passano attraverso il modello e il suo vettore di caratteristiche, e permettono di ottenere una previsione. Non è necessario aggiornare le regole o ricalcolare il modello: è possibile utilizzare il modello disponibile per effettuare inferenze sui nuovi dati.
Grazie al Machine Learning, una macchina può quindi essere addestrata per tradurre le conoscenze di un esperto in funzionalità automatiche. Sono in genere necessari grandi volumi di dati per mettere in grado la macchina di padroneggiare un certo argomento. All’inizio del suo apprendimento, la macchina commette degli errori, un po’ come farebbe un esperto alle prime armi. Quando però la macchina ha visto un numero sufficiente di esempi, ha acquisito conoscenze sufficienti per lavorare autonomamente con precisione.

Il mercato nei prossimi anni

Le maggiori organizzazioni di tutto il mondo utilizzano oggi soluzioni basate sul Machine Learning per migliorare l’esperienza dei clienti, il ROI e ottenere un vantaggio competitivo nelle operazioni aziendali.
Secondo Markets and Markets, il mercato dell’apprendimento automatico dovrebbe passare da 1,03 miliardi di dollari nel 2016 a 8,81 miliardi di dollari entro il 2022, con un tasso di crescita annuale composto (CAGR) del 44,1% durante il periodo di previsione. Secondo Cision invece il mercato globale dell’apprendimento automatico arriverà a 96,7 miliardi di dollari entro il 2025, con un CAGR del 43,8% dal 2019 al 2025.
Il Nord America ha dominato il mercato globale negli ultimi anni grazie alla crescente adozione di tecnologie Machine Learning da parte dei maggiori fornitori di servizi IT residenti nella regione. Si prevede tuttavia che la regione Asia-Pacifico registrerà l’incremento più rapido nei prossimi anni, soprattutto per il crescente utilizzo delle tecnologie di apprendimento automatico in Paesi emergenti come India e Cina.
Nei prossimi anni, si prevede che le applicazioni del Machine Learning in vari settori verticali aumenteranno in modo esponenziale, grazie alle nuove possibilità offerte dal progresso tecnologico e alla proliferazione nella generazione di dati. La necessità di ottimizzazione della supply chain unita all’emergere di servizi e prodotti digitali per migliorare l’esperienza dei clienti guiderà la crescita del mercato.
Anche la domanda di competenze nel Machine Learning mostra un forte incremento, come si può evincere anche dalle posizioni aperte su LinkedIn. Passando da 44.864 posti di lavoro disponibili nel 2020 a 78.372 nel 2021 solo negli Stati Uniti, le organizzazioni continuano a reclutare personale per supportare rapidamente nuove iniziative in questo campo. A livello globale, le posizioni aperte di LinkedIn che richiedono competenze di Machine Learning sono cresciute da 98.371 nel 2020 a quasi 200.000 nella prima parte del 2021.