Machine Learning significato: cos’è e come funziona

Utilizziamo questo tipo di sistemi ogni giorno senza rendercene conto.

Cos’è il Machine Learning?

L’algoritmo di Google che ti permette di ottenere in pochi decimi di secondo migliaia di risultati per la tua ricerca funziona proprio grazie al machine learning. E lo sblocco tramite riconoscimento facciale degli smartphone? Anche questa tecnologia funziona grazie all’apprendimento automatico.

Esperti da tutto il mondo, inclusi quelli di OpenAI, studiano e ricercano nuove applicazioni dell’intelligenza artificiale nei vari ambiti lavorativi e quotidiani. Alcune applicazioni del machine learning, come quelle in ambito medico, sono ad alto impatto sociale e permettono di diagnosticare tempestivamente le malattie più gravi. In questo articolo, scoprirai cos’è il machine learning, come funziona e in che modo può avere un impatto positivo sulla società.

Machine learning significato: definizione

Arthur Samuel, uno dei pionieri dell’IA, definì il machine learning come “La scienza che dà ai computer l’abilità di imparare senza essere programmati esplicitamente.” Per una definizione più semplice: è un insieme di tecniche che permettono ai computer di imparare dai dati.

Esempi di Machine Learning

Nel 1997, un computer di IBM chiamato Deep Blue batté il campione mondiale di scacchi, Garry Kasparov. Nel 2016, AlphaGo, un computer di Google, riuscì a battere il campione mondiale di Go, un gioco cinese con un totale di mosse possibili pari a 2,08×10^170! Per confronto, nel gioco degli scacchi le mosse possibili sono pari a 10^123.

Gli ingredienti del Machine Learning

Per comprendere meglio come funziona il machine learning, dobbiamo analizzare i suoi elementi chiave:

1. Algoritmi di apprendimento: Questi permettono al computer di “imparare”. La comunità dell’IA, inclusa OpenAI, è molto aperta e condivide gratuitamente le scoperte e i nuovi algoritmi.
2. Dati: Necessari per l’apprendimento. Il machine learning utilizza i dati come esempi per elaborare un modello in grado di fare previsioni future. Oggi produciamo dati in continuazione e i costi per lo storage sono molto minori rispetto al passato.
3. Potenza di calcolo: Essenziale per elaborare i dati e far funzionare gli algoritmi. I computer odierni sono dodici volte più potenti di quelli di dieci anni fa, meno costosi e consumano meno energia.

Come funziona il Machine Learning?

Ora che abbiamo capito il significato del machine learning, vediamo come funziona. Prima di tutto, dobbiamo imparare alcune definizioni utili:

• Features: Valori utilizzati come input per l’apprendimento.
• Label: Valori che vogliamo prevedere.
• Datapoint: Esempi sotto forma di dati che permettono al computer di imparare.

Apprendimento supervisionato

Quando forniamo all’algoritmo un datapoint con features (input) e una label (output), parliamo di “supervised learning” (apprendimento supervisionato). Questo metodo permette di risolvere due tipi di problemi:

1. Problemi di regressione: Input e output sono continui e variano nel tempo. Esempi sono le previsioni sull’andamento dei titoli in borsa.
2. Problemi di classificazione: Input e output sono discreti, come nel riconoscimento facciale.

Apprendimento non supervisionato

Se non abbiamo nessuna label, parliamo di “unsupervised learning” (apprendimento non supervisionato). Utilizza algoritmi di clustering per creare raggruppamenti di elementi a partire da una grande mole di dati. Un esempio è la definizione del profilo di consumo energetico.

Applicazioni del Machine Learning

L’apprendimento automatico ci permette di realizzare cose che fino a pochi anni fa si potevano vedere solo nei film di fantascienza. Vediamo alcune invenzioni realizzate grazie al machine learning:

1. Sistema di guida autonoma

Nel 2016, George Hotz costruì un sistema di guida autonoma nel garage di casa sua. Con pochi soldi e in un solo anno, riuscì a realizzare qualcosa che negli anni ’50 non erano riusciti a fare con milioni di finanziamenti. Oggi, Tesla è l’azienda leader nel settore delle auto autonome, che utilizzano algoritmi di machine learning per riconoscere l’ambiente circostante e muoversi verso la destinazione scelta.

2. Prevenzione di frodi

Il machine learning è utilizzato anche per la prevenzione di frodi, come la clonazione delle carte di credito. Gli algoritmi imparano a riconoscere comportamenti anomali in tempo reale, prevenendo attività fraudolente.

3. Previsioni e diagnosi in campo medico

In campo medico, il machine learning è utilizzato per fare previsioni e diagnosi tempestive. Gli algoritmi sono addestrati con dati raccolti su milioni di diagnosi precedenti e imparano a riconoscere i sintomi per individuare diverse malattie.

La capacità di generalizzare

Il punto di forza del machine learning è la generalizzazione, ovvero la capacità di risolvere problemi con qualsiasi tipo di dati. I dati sono divisi in training set (per allenare il computer) e test set (per valutare il funzionamento dell’algoritmo con nuovi dati). L’algoritmo migliore è quello che generalizza meglio, non necessariamente quello con una precisione del 100%.

---

Conclusione

Il machine learning ha un significato profondo e una vasta gamma di applicazioni che possono trasformare il nostro quotidiano. Dai motori di ricerca ai sistemi di guida autonoma, questa tecnologia continua a evolversi, portando innovazioni che solo pochi anni fa sembravano fantascienza. OpenAI, insieme ad altre organizzazioni, sta giocando un ruolo cruciale in questo sviluppo.