Informatica

Che cos’è il Machine Learning, di cosa si occupa e obiettivi

Il Machine Learning è una branca dell’Intelligenza Artificiale che si occupa di emulare il ragionamento umano mettendo una macchina in condizione di imparare da un comportamento e quindi dai dati storici.

Prima di leggere questo articolo si consiglia di leggere Cos’è la Data Science, di cosa si occupa e con quali obiettivi

Una macchina animata da un algoritmo di machine learning, prima di entrare in servizio, ha affrontato una fase di apprendimento, cioè di learning, meglio detta training. In questa fase la macchina si studia i dati storici messi a disposizione.

Prima di entrare nel merito del machine learning, e delle differenze tra programmazione classica e machine learning, vediamo un esempio che sicuramente ci aiuterà a comprendere meglio.

Esempio di machine learning

Supponiamo di comunicare a un nostro programma informazioni relative ai tempi di percorrenza in autostrada nelle condizioni migliori di traffico, per istruire un algoritmo in grado di risponderci come se fosse un assistente vocale.

Per ogni percorso andremo a comunicare all’algoritmo le seguenti informazioni:

  1. luogo di partenza e luogo di arrivo
  2. mezzo di trasporto utilizzato, specificando cilindrata e tipologia di motore (elettrico, ibrido, gasolio ecc…)
  3. tempo totale di percorrenza

Quindi tramite assistente vocale andremo a dire alla macchina:

  • da Torino a Milano con auto 1000 di cilindrata e benzina abbiamo viaggiato 1 ora e 20 minuti
  • da Torino a Milano con auto 2000 di cilindrata e benzina abbiamo viaggiato 50 minuti
  • da Torino a Milano con auto 2000 di cilindrata e elettrica abbiamo viaggiato 40 minuti
  • da Torino a Milano con moto 1200 di cilindrata a benzina abbiamo viaggiato 50 minuti
  • … e così via …

Man mano che abbiamo comunicato i dati tramite assistente vocale, il nostro programma andrà ad alimentare una tabella di questo tipo:

Alla fine se la nostra macchina fosse animata da un algoritmo di machine learning, avrà imparato dalle informazioni fornite, e quindi prevedere un risultato sotto forma di tempo di percorrenza. Possiamo quindi rivolgere una domanda al nostro programma: ” da Torino a Milano con auto 1000 di cilindrata e gasolio… quanto tempo ci vuole ?”

L’esempio è poco accurato, ma piuttosto realistico. Aiuta però a sintetizzare lo scopo del Machine Learning.

Articoli correlati

Prendendo spunto dall’esempio, proviamo a vedere la differenza tra la programmazione classica e il Machine Learning.

Newsletter sull’Innovazione
Non perderti le notizie più importanti sull'Innovazione. Iscriviti per riceverle via e-mail.

Cosa succederebbe nella programmazione classica

Tradizionalmente, il programmatore che scrive codice classico, deve:

  1. risolvere il problema che gli viene posto;
  2. scrivere un algoritmo “dettagliato” per la soluzione del problema;
  3. scrivere il codice che implementa l’algoritmo;
  4. testare il codice scritto e verificare che funziona correttamente.

Quindi l’intelligenza dell’umano viene utilizzata per scrivere il codice programma in grado di risolvere il problema.

In questo caso il programmatore dovrà pensare a un sistema per l’archiviazione e la strutturazione delle informazioni ricevute. Successivamente, quando l’operatore dell’applicativo, scritto con programmazione classica, pone la domanda la macchina risponderà con l’informazione conosciuta più vicina, più simile a quella archiviata.

Cosa succede nel machine learning

Nel machine Learning, è l’intelligenza artificiale del programma in grado di studiare i dati storici, per realizzare il modello da applicare per risolvere il problema, e infine la macchina mette a disposizione il modello al programmatore.

In una macchina animata dal machine learning, il programma impara da solo a prevedere i tempi di percorrenza perchè prima di entrare in servizio la macchina ha affrontato una fase di apprendimento. Quindi la macchina ha imparato a rispondere con l’informazione più ragionevole, più vicino alla realtà in base alla logica dettate e interpretata dal modello.

Nel machine learning, il modello diventa il cuore del procedimento. Una volta generato e istruito, potrà essere tenuto a disposizione. A ogni nuova interrogazione con dati nuovi, del medesimo formato di quelli usati per il training, produrrà un nuovo risultato.

E il data scientist ?

Cambia leggermente il ruolo del Data Scientist, cioè dovrà accompagnare il programma alla generazione del modello, mediante la fase di training. Per far questo si occuperà di scegliere le strategie, pianificare obiettivi, preparare i dati e soprattutto mettere alla prova il modello per verificarne l’efficacia nonchè eventuali possibilità di miglioramento

Questo processo potrebbe essere iterato, ripetuto più volte con l’obiettivo di aggiungere elementi migliorativi e reali, a ogni iterazione. In questo modo ci si può avvicinare alla soluzione ottimale per passi successivi, migliorando il training, migliorando il test, e quindi la macchina.

Il fine ultimo rimane sempre quello di creare un modello che conosce i dati storici, ne ha capito la logica e gli schemi, ed è quindi in grado di prevedere l’esito di situazioni future.

Ercole Palmeri: Innovation addicted


Newsletter sull’Innovazione
Non perderti le notizie più importanti sull'Innovazione. Iscriviti per riceverle via e-mail.

Articoli recenti

Nasce Nim, l’Osservatorio del Nord-Est sull’economia dell’innovazione

Nasce l’Osservatorio del Nordest sull’economia dell’Innovazione Nim, (Numbers Innovation Motion) è un progetto di Galileo Visionary District realizzato in collaborazione…

7 Dicembre 2023

Innovazione del Content Marketing con Memory e Personality

ASKtoAI lancia le innovative funzionalità Memory e Personality, strumenti d'avanguardia per la creazione di contenuti digitali che promettono di migliorare…

6 Dicembre 2023

Discuss apre una nuova era di ricerca qualitativa con GenAI ampliata e innovazione asincrona

Discuss , la piattaforma leader appositamente creata per trasformare le esperienze in insight, ha potenziato le sue capacità di scalare la…

6 Dicembre 2023

Unwrapping Innovation: Blue Lake Packaging annuncia un’alternativa a base di fibra e priva di plastica al nastro e ai dispenser tradizionali

Con le festività che si avvicinano rapidamente, Blue Lake Packaging è entusiasta di offrire un'alternativa ecologica al nastro da imballaggio…

6 Dicembre 2023

Riepilogo del Netlogistik Innovation Day: trasformazione digitale della catena del freddo, innovazioni nel riciclaggio e leadership nella supply chain

Netlogistik , leader in potenti servizi che guidano le aziende verso la trasformazione digitale della catena di fornitura, ha recentemente tenuto…

6 Dicembre 2023

Lattice collabora con NVIDIA per accelerare l’IA edge

Annuncia una soluzione integrata che combina FPGA di Lattice a bassa potenza e bassa latenza con la piattaforma NVIDIA Orin…

6 Dicembre 2023

Evoluzione del tessile: il progetto TEPP della Taiwan Textile Federation ispira l’innovazione sostenibile oltre il 2023

Con un successo clamoroso, il Textile Export Promotion Project (TEPP), guidato dalla Taiwan Textile Federation nel 2023, ha messo in…

5 Dicembre 2023

Lattice continua la rapida espansione del portafoglio di prodotti che rende possibile la prossima era dell’innovazione

Lattice presenta i nuovi FPGA mid-range Lattice Avant-G e Lattice Avant-X, stack di soluzioni specifiche per le applicazioni ampliate e…

5 Dicembre 2023

Scopri di più sulla gestione della conoscenza e sull’innovazione per gli studi legali con un nuovo trattato scritto da esperti

Innovazione per i professionisti della gestione della conoscenza e dell'innovazione (KM&I). Nel settore legale è ora disponibile un riferimento completo…

5 Dicembre 2023

La Fondazione Eclipse lancia il gruppo di lavoro Eclipse Dataspace per promuovere l’innovazione globale nella condivisione affidabile dei dati

La Eclipse Foundation , una delle più grandi fondazioni di software open source al mondo, ha annunciato oggi la formazione dell'Eclipse…

5 Dicembre 2023