MACHINE LEARNING per la lettura dei manoscritti

9 minuti - per Pettisano

In italiano è detto “Apprendimento Automatico” e consiste in un metodo di analisi dei dati che automatizza la costruzione di modelli analitici. Questa disciplina è una branca dell’Intelligenza Artificiale (IA) e presuppone che le macchine possano imparare dai dati forniti, identificare i modelli autonomamente e prendere decisioni con solo un ridotto intervento umano .

Nascita ed evoluzione del Machine Learning

Le prime sperimentazioni risalgono agli anni ’50, coeve alla nascita dell’intelligenza artificiale e agli studi approfonditi sui sistemi esperti e sulle reti neurali . Il primo grande personaggio di questa disciplina è stato Alan Turing, colui che per primo ha realizzato un test per macchine che sono in grado di apprendere comportamenti intelligenti .

Negli anni ’60 questa branca dell’informatica fu abbandonata perché IA era considerata priva di senso e di futuro, ma gli studi vennero ripresi negli anni ’80 grazie allo sviluppo delle tecnologie e agli ingenti investimenti da parte delle grandi industrie del settore. Alla fine degli anni ’90 emersero nuove tecniche basate su elementi statistici e probabilistici che permettono al Machine Learning di essere ora uno strumento riconosciuto e molto richiesto.

Machine Learning, una sfida

Il presupposto del Machine Learning, come già detto, è che i computer possano imparare dai dati che gli vengono sottoposti. Ciò dà la possibilità al computer di poter svolgere compiti senza essere programmato specificatamente per farlo, utilizzando l’analisi iterativa di dati. L’obiettivo finale è l’automazione delle macchine in modo che possano svolgere compiti indipendenti senza l’aiuto dell’uomo; la vera sfida è far riconoscere al computer dati senza che li conosca prima. L’aspetto più importante da considerare è la ripetitività: più un computer legge dei dati più diventa autonomo nell’elaborare i modelli.

Una nuova applicazione di questa scienza è quella sui Big Data, ora possibile grazie allo sviluppo tecnologico. Infatti è possibile creare modelli di analisi partendo da una mole di dati molto grande ed avere spazi di archiviazione competitivi a buon mercato.

Gli ingredienti di un buon sistema di Machine Learning sono la capacità di preparare i dati in modo consono, creare degli algoritmi e dei processi iterativi che permettano al sistema di lavorare al meglio e in modo indipendente, rendere il sistema scalabile e la sua ensemble modeling adatta.

Possiamo trovare nelle aziende del settore secondario e terziario vari usi del Machine Learning come la guida autonoma, i suggerimenti agli acquisti dei siti web, l’intercettazione di una frode e la capacità delle chatbot di creare frasi in risposta agli input introdotti dagli utenti. I principali utilizzatori di queste tecnologie sono i servizi finanziari, che lo usano per identificare le informazioni importanti all’interno di ampie moli di dati per prevenire le frodi bancarie o identificare le opportunità di investimento. È utilizzato dalle pubbliche amministrazioni per la sicurezza o per servizi che hanno bisogno di dati ed informazioni specifiche, come per esempio i sensori; in questo caso il Machine Learning viene utilizzato per ridurre le frodi e i furti di identità e quindi per salvaguardare i dati degli enti pubblici. Nell’assistenza sanitaria viene usato per determinate analisi e per identificare i dati che potrebbero condurre a migliori diagnosi e trattamenti farmacologici. Nel settore marketing e vendite per analizzare e capire il miglior uso dei dati nella personalizzazione dell'esperienza d'acquisto o delle campagne di marketing. Per Oil & Gas il Machine Learning è utilizzato per trovare nuove risorse energetiche e analizzare i minerali presenti nel suolo, può anche essere usato per prevedere un guasto dei sensori in raffineria. Infine nel settore trasporti viene usato per incrementare il profitto, creare rotte più efficienti e prevedere potenziali problemi.

Nella nostra vita quotidiana, invece, il Machine Learning è utilizzato nel riconoscimento vocale degli smartphone, per attivare comandi attraverso il canale vocale (come in Siri e negli assistenti Google); negli sviluppi della domotica e dei veicoli senza pilota. Inoltre ormai siamo abituati alle pubblicità traccianti, che analizzano i dati della navigazione in internet e degli acquisti fatti e, tramite questi, ci propongono risultati sempre più vicini ai nostri gusti. Infine nei giochi, come scacchi e backgammon, il Machine Learning è utilizzato per partite sempre più complesse.

Il Machine Learning vive in stretta correlazione con altri campi come l’informatica e la statistica; è difficile trovare i limiti della sua interazione con le varie discipline, in quanto è molto frequente il suo utilizzo in altri settori. Molto vicino al Data Mining, che si occupa di migliorare la macchina attraverso conoscenze sempre nuove, il Machine Learning tuttavia presuppone un apprendimento più profondo attraverso il progressivo miglioramento delle conoscenze già ottenute.

Metodi di apprendimento nel Machine Learning

L’aspetto principale del Machine Learning è che le macchine possono imparare, ricevendo un input che può essere da loro conosciuto o no, e dare in risposta un nuovo output. Le macchine, per raggiungere questi risultati, devono essere addestrate e i metodi utilizzati per questo obiettivo sono l’apprendimento supervisionato, il semi-supervisionato, il non supervisionato e quello di rinforzo.

L’apprendimento supervisionato consiste nell’addestramento degli algoritmi: si inseriscono input di cui già si conoscono gli output e, attraverso tentativi ed errori, si riesce a trovare il modello più adatto; l’obiettivo finale è riuscire a trovare i risultati più consoni all’input inserito. L’analisi avviene attraverso modelli basati su algoritmi che il sistema già conosce e quindi la macchina può applicare il modello conosciuto su dati in input conosciuti, prevedendo il valore in uscita in output. La macchina attinge alle esperienze inserite nel proprio sistema e ragiona attraverso ipotesi induttive (ipotesi che sono ottenute scansionando una serie di problemi specifici per ottenere una soluzione idonea ad un problema di tipo generale).

L’apprendimento semi-supervisionato avviene usando le stesse applicazioni dell’apprendimento supervisionato ma i dati sono a volte classificati (ovvero già conosciuti) e a volte no, quindi l’acquisizione è più semplice ed economica. Ne sono un esempio le telecamere che riconoscono i volti.

L’apprendimento non supervisionato, o senza supervisione, avviene solo su dati non classificati: al sistema non viene fornita alcuna risposta giusta e l’algoritmo deve scoprire cosa gli viene mostrato. Questa modalità dà maggiori libertà di scelta alla macchina, a cui spetta di organizzare le informazioni in maniera intelligente e arrivare alle soluzioni migliori in base alle situazioni presentate.

L’apprendimento per rinforzo è usato soprattutto nei campi della robotica, dei videogiochi e della navigazione. Elemento fondamentale sono una serie di elementi di supporto ( come i sensori o il GPS) ed il suo obiettivo principale è scoprire quali azioni siano le migliori da attuare in quel frangente, ovvero le azioni che portano più velocemente all’obiettivo. Ha tre componenti: l’agente (chi svolge l’azione), l’ambiente (con cosa l’agente interagisce), le azioni (cosa l’agente può fare). Questo metodo ha bisogno che la macchina sia dotata di sistemi e strumenti in grado di migliorare l’apprendimento e, soprattutto, di comprendere le caratteristiche dell’ambiente circostante.

Il Machine Learning Automatico

Bibliografia e sitografia

Citazione di questo articolo

Come citare: PETTISANO, . "MACHINE LEARNING per la lettura dei manoscritti". In: CLIOMATICA - Portale di Storia Digitale e ricerca. Disponibile in: http://lhs.unb.br/cliomatica/index.php/MACHINE_LEARNING_per_la_lettura_dei_manoscritti. il giorno: 30/09/2024.

Informare errori in questa pagina