Nei termini più semplici, l'apprendimento automatico (ML) è la programmazione di macchine (computer) in modo che possa eseguire un'attività richiesta utilizzando e analizzando dati (informazioni) per eseguire tale attività in modo indipendente, senza ulteriore input specifico da uno sviluppatore umano.
Machine Learning 101
Il termine apprendimento automatico fu coniato nei laboratori IBM nel 1959 da Arthur Samuel, un pioniere nell'intelligenza artificiale (AI) e nei giochi per computer. L'apprendimento automatico, di conseguenza, è una branca dell'intelligenza artificiale. La premessa di Samuel era di capovolgere il modello informatico del tempo e smettere di dare ai computer cose da imparare.
Invece, voleva che i computer iniziassero a cercare le cose da soli, senza che gli umani dovessero inserire anche le più piccole informazioni. Poi, pensò, i computer non avrebbero solo svolto compiti ma alla fine avrebbero potuto decidere quali compiti eseguire e quando. Perché? In modo che i computer potessero ridurre la quantità di lavoro che gli umani dovevano eseguire in una data area.
Come funziona l'apprendimento automatico
L'apprendimento automatico funziona attraverso l'uso di algoritmi e dati. Un algoritmo è un insieme di istruzioni o linee guida che indicano a un computer oa un programma come eseguire un'attività. Gli algoritmi utilizzati in ML raccolgono dati, riconoscono modelli e utilizzano l'analisi di tali dati per adattare i propri programmi e funzioni per completare le attività.
Gli algoritmi ML utilizzano set di regole, alberi decisionali, modelli grafici, elaborazione del linguaggio naturale e reti neurali (solo per citarne alcuni) per automatizzare l'elaborazione dei dati per prendere decisioni ed eseguire attività. Mentre ML può essere un argomento complesso, Google Teachable Machine offre una dimostrazione pratica semplificata di come funziona ML.
La più potente forma di apprendimento automatico utilizzata oggi, chiamata deep learning, costruisce una complessa struttura matematica chiamata rete neurale, basata su enormi quantità di dati. Le reti neurali sono insiemi di algoritmi in ML e AI modellati sul modo in cui le cellule nervose nel cervello umano e le informazioni sul processo del sistema nervoso.
Intelligenza artificiale vs. Machine Learning vs. Data Mining
Per comprendere al meglio la relazione tra AI, ML e data mining, è utile pensare a un set di ombrelli di dimensioni diverse. L'intelligenza artificiale è l'ombrello più grande. L'ombrello ML è una taglia più piccola e si adatta sotto l'ombrello AI. L'ombrello di data mining è il più piccolo e si adatta sotto l'ombrello ML.
- L'intelligenza artificiale è una branca dell'informatica che ha lo scopo di programmare i computer per svolgere compiti in modi più "intelligenti" e "umani", usando tecniche di ragionamento e decisionali modellate sull'intelligenza umana.
- ML è una categoria di calcolo all'interno dell'IA focalizzata su macchine di programmazione (computer) per apprendere (raccogliere dati o esempi necessari) per prendere decisioni intelligenti e guidate dai dati in un modo più automatico.
- Il data mining utilizza statistiche, ML, AI e immensi database di informazioni per trovare pattern, fornire informazioni, creare classificazioni, identificare problemi e fornire analisi dei dati dettagliate.
Cosa può fare l'apprendimento automatico (e già lo fa)
La capacità dei computer di analizzare enormi quantità di informazioni in frazioni di secondo rende la ML utile in un certo numero di settori in cui il tempo e la precisione sono essenziali.
- Medicina: La tecnologia ML viene implementata in una gamma di soluzioni per il settore medico, tra cui l'assistenza ai medici del pronto soccorso con diagnosi più rapida di pazienti con sintomi insoliti. I medici possono inserire un elenco di sintomi del paziente nel programma e utilizzare ML, il programma può setacciare migliaia di miliardi di terabyte di informazioni dalla letteratura medica e da Internet per restituire un elenco di potenziali diagnosi e test o trattamenti raccomandati in tempi record.
- Formazione scolastica: ML è usato per creare strumenti educativi che si adattino alle esigenze di apprendimento dello studente, come gli assistenti virtuali di apprendimento e i libri di testo elettronici che sono più interattivi. Questi strumenti usano la ML per scoprire quali concetti e abilità lo studente comprende usando brevi quiz ed esercitazioni pratiche. Gli strumenti forniscono quindi brevi video, esempi aggiuntivi e materiale di base per aiutare lo studente a imparare le abilità o i concetti necessari.
- Settore automobilistico: ML è anche una componente chiave nel campo emergente delle auto a guida autonoma (chiamate anche auto senza conducente o auto autonome). Il software che gestisce auto a guida automatica utilizza la tecnologia ML durante prove su strada e simulazioni reali per rilevare condizioni stradali (come strade ghiacciate) o identificare ostacoli nella carreggiata e apprendere le attività di guida appropriate per navigare in sicurezza in tali situazioni.
Probabilmente hai già incontrato ML molte volte senza rendertene conto. Alcuni degli usi più comuni della tecnologia ML includono il riconoscimento vocale pratico (Bixby di Samsung, Siri di Apple e molti programmi talk-to-text che ora sono standard sui PC), filtraggio dello spam per la tua posta elettronica, creazione di news feed, rilevamento di frodi, personalizzazione consigli per gli acquisti e risultati di ricerca web più efficaci.
ML è anche coinvolto nel tuo feed di Facebook. Quando ti piace o fai clic sui post di un amico di frequente, gli algoritmi e il ML dietro le quinte "imparano" dalle tue azioni nel tempo per dare la priorità a determinati amici o pagine del tuo Newsfeed.
Cosa l'apprendimento automatico non può fare
Tuttavia, ci sono limiti a ciò che ML può fare. Ad esempio, l'uso della tecnologia ML in diversi settori richiede una notevole quantità di sviluppo e programmazione da parte degli esseri umani per specializzare un programma o un sistema per i tipi di compiti richiesti da tale industria.Nel nostro esempio medico sopra, il programma ML utilizzato nel dipartimento di emergenza è stato sviluppato specificamente per la medicina umana. Al momento non è possibile prendere quel programma esatto e applicarlo direttamente in un centro di emergenza veterinario. Tale transizione richiede una specializzazione e uno sviluppo approfonditi da parte dei programmatori umani per creare una versione in grado di svolgere questo compito per la medicina veterinaria o animale.
Richiede anche enormi quantità di dati ed esempi per apprendere le informazioni necessarie per prendere decisioni ed eseguire attività. I programmi ML sono anche molto letterali nell'interpretazione dei dati e combattono con il simbolismo e anche alcuni tipi di relazioni all'interno dei risultati dei dati, come la causa e l'effetto.
I continui progressi, tuttavia, stanno rendendo ML una tecnologia principale che crea computer più intelligenti ogni giorno.
