Machine learning

Cresce sempre di piu' il numero di aziende che decidono di dedicare tempo e risorse nello sviluppo di progetti che comprendono l'uso delle tecnologie di Machine Learning (ML). Tali tecnologie permettono ai computer di apprendere dall'esperienza umana e possono essere impiegate in molti ambiti e per svariati scopi. Ecco perche', negli ultimi anni, i professionisti del Machine Learning - tra cui il Machine Learning Engineer - hanno visto aumentare le proprie possibilita' occupazionali. Il Machine Learning Engineer e' una figura professionale che, a volte, viene associata alla figura del Data Scientist. Questo accade perche' in entrambe le professioni l'analisi dei dati ricopre un ruolo chiave. Inoltre, puo' capitare che tali professionisti si ritrovino a lavorare nello stesso team, dediti ognuno alle proprie mansioni ma necessari l'un l'altro. Precisamente, il Machine Learning Engineer e' un programmatore esperto che gestisce progetti di Machine Learning, verificando poi la corretta implementazione e applicazione degli algoritmi sviluppati.

Scopri con un video il machine learning

Nozioni principali

Cos'e' il machine learning

Quando si parla di machine learning (in italiano apprendimento automatico), si parla di una particolare branca dell'informatica che puo' essere considerata una parente stretta dell'intelligenza artificiale. Definire in maniera semplice le caratteristiche e le applicazioni del machine learning non e' sempre possibile, visto che questo ramo e' molto vasto e prevede differenti modalita', tecniche e strumenti per essere realizzato. Inoltre, le differenti tecniche di apprendimento e sviluppo degli algoritmi danno vita ad altrettante possibilita' di utilizzo che allargano il campo di applicazione dell'apprendimento automatico rendendone difficile una definizione specifica. Si puo' tuttavia dire che quando si parla di machine learning si parla di differenti meccanismi che permettono a una macchina intelligente di migliorare le proprie capacita' e prestazioni nel tempo. La macchina, quindi, sara' in grado di imparare a svolgere determinati compiti migliorando, tramite l'esperienza, le proprie capacita', le proprie risposte e funzioni. Alla base dell'apprendimento automatico ci sono una serie di differenti algoritmi che, partendo da nozioni primitive, sapranno prendere una specifica decisione piuttosto che un'altra o effettuare azioni apprese nel tempo.

L'evoluzione futura del machine learning

Se negli ultimi anni la ricerca ha fatto passi da gigante per quanto riguarda le forme di apprendimento intelligente, e' anche vero che ancora molto deve essere fatto per poter perfezionare una serie di elementi, di algoritmi e strutture tecniche. Le possibilita' di sviluppo futuro di questo ramo sono ancora molte, soprattutto sono legate a diversi settori di applicazione, non solo scientifici e legati alla ricerca, ma anche di uso comune. Se la domotica ha gia' fatto uso di alcuni dei piu' semplici sistemi di apprendimento automatico, va specificato che molti altri settori potranno avvantaggiarsi dall'uso di macchine in grado di effettuare scelte intelligenti. Probabilmente, l'unico fattore limitante al pieno utilizzo di strumenti in grado di imparare da soli e' il timore dell'uomo che le macchine possano diventare troppo intelligenti, togliendogli facolta' di scelta e liberta'. Un timore che, come afferma il professore Pedro Domingos dell'Universita' di Washington, esperto di machine learning e data mining non esiste visto che "la gente ha paura che i computer diventino troppo intelligenti e dominino il mondo, ma il vero problema e' che pur essendo ancora troppo stupidi lo hanno gia' conquistato"

I diversi apprendimenti di una macchina

La strada per realizzare macchine intelligenti e' stata lunga, ma ha portato, oggi, ad avere differenti modalita' di apprendimento, tutte efficaci, che differiscono non solo per gli algoritmi utilizzati, ma soprattutto per lo scopo per cui sono realizzate le macchine stesse. A seconda del tipo di algoritmo utilizzato per permettere l'apprendimento alla macchina, ossia a seconda delle modalita' con cui la macchina impara ed accumula dati e informazioni, si possono suddividere tre differenti sistemi di apprendimento automatico: supervisionato, non supervisionato e per rinforzo. I tre modelli di apprendimento sono utilizzati in maniera differente a seconda della macchina su cui si deve operare, garantendo cosi' sempre la massima performance e il migliore risultato possibile per la risposta agli stimoli esterni.

L'apprendimento supervisionato consiste nel fornire al sistema informatico della macchina una serie di nozioni specifiche e codificate, ossia di modelli ed esempi che permettono di costruire un vero e proprio database di informazioni e di esperienze. In questo modo, quando la macchina si trova di fronte ad un problema, non dovra' fare altro che attingere alle esperienze inserite nel proprio sistema, analizzarle, e decidere quale risposta dare sulla base di esperienze gia' codificate. Questo tipo di apprendimento e', in qualche modo, fornito gia' confezionato e la macchina deve essere solo in grado di scegliere quale sia la migliore risposta allo stimolo che le viene dato. Gli algoritmi che fanno uso di apprendimento supervisionato vengono utilizzati in molti settori, da quello medico a quello di identificazione vocale: essi, infatti, hanno la capacita' di effettuare ipotesi induttive, ossia ipotesi che possono essere ottenute scansionando una serie di problemi specifici per ottenere una soluzione idonea ad un problema di tipo

L'apprendimento non supervisionato
o senza supervisione prevede invece che le informazioni inserite all'interno della macchina non siano codificate, ossia la macchina ha la possibilita' di attingere a determinate informazioni senza avere alcun esempio del loro utilizzo e, quindi, senza avere conoscenza dei risultati attesi a seconda della scelta effettuata. Dovra' essere la macchina stessa, quindi, a catalogare tutte le informazioni in proprio possesso, organizzarle ed imparare il loro significato, il loro utilizzo e, soprattutto, il risultato a cui esse portano. L'apprendimento senza supervisione offre maggiore liberta' di scelta alla macchina che dovra' organizzare le informazioni in maniera intelligente e imparare quali sono i risultati migliori per le differenti situazioni che si presentano.

L'apprendimento per rinforzo rappresenta probabilmente il sistema di apprendimento piu'complesso, che prevede che la macchina sia dotata di sistemi e strumenti in grado di migliorare il proprio apprendimento e, soprattutto, di comprendere le caratteristiche dell'ambiente circostante. In questo caso, quindi, alla macchina vengono forniti una serie di elementi di supporto, quali sensori, telecamere, GPS eccetera, che permettono di rilevare quanto avviene nell'ambiente circostante ed effettuare scelte per un migliore adattamento all'ambiente intorno a loro. Questo tipo di apprendimento e' tipico delle auto senza pilota, che grazie a un complesso sistema di sensori di supporto e' in grado di percorrere strade cittadine e non, riconoscendo eventuali ostacoli, seguendo le indicazioni stradali e molto altro.