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:
- luogo di partenza e luogo di arrivo
- mezzo di trasporto utilizzato, specificando cilindrata e tipologia di motore (elettrico, ibrido, gasolio ecc…)
- 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.
Prendendo spunto dall’esempio, proviamo a vedere la differenza tra la programmazione classica e il Machine Learning.
Cosa succederebbe nella programmazione classica
Tradizionalmente, il programmatore che scrive codice classico, deve:
- risolvere il problema che gli viene posto;
- scrivere un algoritmo “dettagliato” per la soluzione del problema;
- scrivere il codice che implementa l’algoritmo;
- 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
