Machine Learning: cos’è, come funziona e i vari tipi

Novità da LinkedIn: il numero di post sul Machine Learning ha finalmente superato il numero di iscritt* alla piattaforma 😮

Ok, non abbiamo controllato. Ma di sicuro, nell’ultimo periodo, sempre più persone hanno cominciato a parlare di Machine Learning. Questo perché è una delle forme più comuni, e ad oggi utilizzate, di AI e sta rivoluzionando il mondo del lavoro e non solo. Ma sappiamo davvero di cosa si tratta?

Che cos’è il Machine Learning

Di’ la verità: se senti parlare di Machine Learning, la prima cosa a cui pensi è ChatGPT che ti aiuta a mandare le e-mail scritte per bene all* manager 😇Non ti preoccupare, lo facciamo tutt*.

Il Machine Learning, però, non è solo un modo di generare testi. È quella branca dell’intelligenza artificiale che utilizza algoritmi addestrati con insiemi di dati per creare dei modelli che possono eseguire compiti simili a quelli eseguiti dagli esseri umani. Viene usato per un’ampia gamma di scopi commerciali e non: suggerire prodotti sulla base di acquisti passati, prevedere fluttuazioni di mercato, tradurre testi in lingue straniere e molto altro.

Come funziona

Sicuramente molti dei post LinkedIn a cui ci riferivamo prima ti hanno già raccontato tante delle meraviglie che questa tecnologia può fare. Secondo alcuni può addirittura aiutarti a conquistare la tua crush scrivendo per te poesie d’amore 🌹 o farti diventare ricc* in pochi mesi (semi cit.). Noi preferiamo rimanere sul lato scientifico della questione e raccontarti quindi come funziona l’apprendimento automatico.

Il Machine learning usa algoritmi, ovvero elenchi di regole, che vengono adattati e perfezionati sulla base di grandi quantità di dati raccolti in precedenza per fare previsioni e categorizzazioni di fronte a nuovi set di dati. Per esempio, un algoritmo di apprendimento automatico può essere addestrato su un set di dati costituito da migliaia di immagini di piante. Ognuno di questi dati è stato precedentemente etichettato con il tipo di pianta a cui corrisponde. In questo modo, quando all’algoritmo vengono dati in pasto nuovi dati non etichettati ma appartenenti alla stessa famiglia, in questo caso le piante, sarà in grado di riconoscere e identificare correttamente una nuova pianta in base alle caratteristiche di differenziazione che aveva appreso dai dati precedenti.

Ovviamente non basta allenare un algoritmo una volta per ottenere risultati soddisfacenti. Gli algoritmi devono essere affinati più volte fino a quando non avranno un elenco completo di istruzioni che gli permettono di funzionare in maniera corretta. Quando un algoritmo supera la fase di addestramento diventa un modello di apprendimento automatico, ovvero un algoritmo in grado di eseguire compiti specifici come l’ordinamento delle immagini, o previsioni statistiche su un dato argomento. E se si vogliono ottenere risultati più complessi? In questo caso gli algoritmi vengono stratificati l’uno sull’altro per creare reti complesse che consentono di svolgere compiti più difficili e ricchi di sfumature come la generazione dei testi e l'alimentazione di chatbot, questo metodo è noto come deep learning.

In sostanza, il principio alla base del machine learning è semplice: si tratta di addestrare un algoritmo attraverso i dati. Come abbiamo visto, però, i modelli prodotti alla fine del processo possono diventare sempre più elaborati e complessi, in grado di svolgere compiti sempre più simili a quelli delle persone.

Tipi di Machine Learning

Sicuramente ti sarà capitato almeno una volta di sentire frasi come se puoi sognarlo, puoi farlo oppure per ottenere una cosa basta volerla davvero. Beh, se hai desiderato tanto intensamente di ritrovarti alle Bahamas ma poi hai aperto gli occhi ed eri ancora in ufficio a fare call ti sarai già accort* che le cose non stanno proprio così 😅

Con il Machine Learning succede un po’ lo stesso: non basta desiderare che l’algoritmo faccia qualcosa per ottenerla. Bisogna addestrarlo a dovere per ottenere i risultati sperati. Ecco perché esistono diversi tipi di apprendimento automatico che permettono di ottenere obiettivi diversi. Vediamo insieme quelli più utilizzati.

1. Apprendimento automatico supervisionato

In questo primo caso, gli algoritmi vengono addestrati su serie di dati precedentemente etichettati. Ogni dato ha un tag che lo descrive e contiene quindi una chiave di risposta che aiuta l’algoritmo ad interpretare il dato. Una volta che l’algoritmo è stato addestrato sarà in grado di identificare nuovi dati appartenenti allo stesso campo di quelli usati per addestrarlo. Questo tipo di Machine Learning è usato soprattutto per riconoscere e classificare immagini, prevedere trend, e fare analisi del sentiment.

2. Apprendimento automatico non supervisionato

La principale differenza con l’apprendimento supervisionato è che in questo caso i dati di addestramento non sono etichettati, non contengono chiave di risposta. In questo modo è l’algoritmo stesso a dover scoprire modelli, senza una guida esterna. Per esempio un algoritmo può essere alimentato con una grande quantità di dati utente non etichettati che provengono da un social media per identificare delle tendenze di comportamento sulla data piattaforma. Questo tipo di apprendimento è utilizzato soprattutto per identificare modelli all’interno di grandi insiemi di dati in modo rapido ed efficiente.

3. Apprendimento automatico semi-supervisionato

Come suggerisce il nome in questo caso ci troviamo in una modalità ibrida. L’apprendimento qui viene fatto utilizzando sia set di dati etichettati che set di dati puri. In genere quando si usa questo tipo di Machine Learning all’algoritmo vengono prima date in pasto piccole quantità di dati etichettati e poi, invece, quantità molto più grandi di dati non etichettati. Per esempio, un algoritmo può essere addestrato inizialmente con una piccola quantità di dati vocali etichettati e poi con un insieme molto più ampio di dati vocali puri per creare un modello di apprendimento automatico in grado di riconoscere il parlato. Questo tipo di apprendimento viene spesso usato per creare modelli di apprendimento automatici per scopi di previsione e classificazione.

4. Apprendimento con rinforzo

L’apprendimento con rinforzo è un tipo di Machine Learning che usa prove ed errori per addestrare gli algoritmi. In questo caso gli algoritmi operano in un ambiente specifico e ricevono un feedback dopo ogni risultato. Potremmo paragonare questo tipo di apprendimento con quello di un bambino: l’algoritmo inizia lentamente ad acquisire una comprensione dell’ambiente in cui si trova e a ottimizzare le sue azioni per ottenere un certo tipo di risultati. In sostanza l’algoritmo impara e viene istruito sulla base dei suoi successi e fallimenti passati. Viene utilizzato soprattutto per creare algoritmi in grado di prendere sequenze di decisioni o azioni per raggiungere un determinato tipo di obiettivo, come vincere una partita di scacchi o riassumere un intero testo.

5. Vantaggi e rischi

Hai mai desiderato avere una giornata di 48 ore per svolgere tutto il lavoro arretrato e, perché no, goderti un po’ la vita? Se la risposta è sì, sappi che non sei sol* 🫂 Spesso le nostre vite sono molto frenetiche e un aiuto, soprattutto in termini di tempo, non farebbe male. Ecco, il tempo è solo uno dei vantaggi dell’utilizzare il Machine Learning:

• Riduce i costi operativi: aiutando ad automatizzare alcuni tipi di lavori il Machine Learning può essere una risorsa aziendale molto importante in grado di contenere costi e far risparmiare tempo ed energie.
• Migliora l'efficienza: quando ben addestrati gli algoritmi di Machine Learning sono in grado di svolgere compiti in modo molto preciso e accurato migliorando efficienza e precisione.
• Aiuta a cogliere gli insight: con il Machine Learning è molto più facile e immediato cogliere trend e modelli all’interno di grandi quantità di dati. Questo permette di fare previsioni accurate e raggiungere quindi obiettivi importanti.

Ma purtroppo non è tutto oro quel che luccica 🥲 Come ogni cosa, anche il Machine Learning e soprattutto un uso improprio di esso può avere conseguenze negative:

• Licenziamenti: automatizzando alcune task il Machine Learning potrebbe portare ad aver bisogno di meno forza lavoro, andando a influire quindi sulla vita lavorativa delle persone.
• Mancanza dell’elemento umano: I modelli che hanno il compito di svolgere un'attività molto ristretta possono anche perdere molti degli aspetti umani del lavoro che sono importanti ma potenzialmente trascurati.
• Bias radicati: esattamente come le persone che li creano, questi modelli possono presentare bias a partire dai set di dati su cui sono addestrati.

Insomma, come per tutte le nuove tecnologie anche il Machine Learning può portare molti benefici, ma bisogna prestare particolare attenzione a come viene utilizzato.

Se hai letto fino a qui ormai ti sarà chiaro che il Machine Learning è un argomento molto affascinante ma anche complesso. Ora, puoi cercare di approfondire il tema con un po’ di post LinkedIn a caso, oppure puoi scegliere un percorso di studi approfondito. Sì, tipo il nostro Master in Machine Learning e Deep Learning. A te la scelta 😇