Il Machine Learning (ovvero apprendimento automatico) è un argomento che negli ultimi due anni ha avuto una forte impennata di interesse da parte di moltissime aziende, imprenditori, manager, ma ancora in molti si chiedono come poterlo applicare all’interno delle proprie organizzazioni, in quali ambiti e per quali processi.
Ovviamente si tratta di una provocazione, non tanto legata al fatto che il Machine Learning realmente non sia applicabile, ma perché nella stragrande maggioranza dei casi l’apprendimento automatico è “nascosto” nelle tecniche e nelle funzionalità di soluzioni o servizi applicativi che le aziende potrebbero arrivare a sfruttare persino inconsapevolmente.
Una delle sfide comuni alla quasi totalità delle aziende, di qualunque dimensione esse siano e appartenenti a qualsiasi mercato verticale, riguarda il miglioramento del processo decisionale (non solo di business, anche operativo) attraverso l’analisi dei dati.
Come abbiamo avuto modo di descrivere in un recente articolo dedicato ai Big Data Analytics, le soluzioni di Data Analytics tengono conto della tipologia di analisi e del risultato che producono e possono essere basate su analisi descrittive, analisi predittive e analisi prescrittive.
Oggi le aziende cercano di estrapolare valore dai dati, soprattutto per tracciare eventi futuri e per prevedere scenari, impatti, conseguenze di eventi, scelte, azioni. Esigenze che trovano nelle analisi avanzate dei dati la risposta più efficace, ed è qui che il Machine Learning esprime oggi una delle sue massime potenzialità.
Machine Learning, cos’è e a cosa serve
Il Machine Learning – apprendimento automatico in italiano – è una branca dell’Intelligenza Artificiale che oggi racchiude metodi e tecniche sviluppatesi nell’ambito della matematica, della statistica, dell’informatica negli ultimi decenni (statistica computazionale, riconoscimento di pattern, elaborazione delle immagini, Data Mining, algoritmi adattivi, reti neurali artificiali, ecc.).
In ambito informatico, il Machine Learning può essere definito come una sorta di “variante” della programmazione tradizionale (che fornisce precise istruzioni alle macchine che, di fatto, eseguono compiti e risolvono problemi in base a regole scritte predeterminate – inserite nel codice) grazie alla quale i sistemi ottengono una nuova abilità, quella di apprendere in modo autonomo senza istruzioni esplicite e regole predeterminate nel codice.
Il Machine Learning entra in gioco quando progettare e programmare algoritmi espliciti (da intendersi come procedimenti o programmi che risolvono specifici problemi attraverso un numero finito di istruzioni e regole semplici, chiare e non ambigue) è una via impraticabile (si pensi per esempio al riconoscimento delle immagini o del linguaggio naturale, all’analisi di grandi molti di dati per la prevenzione delle frodi o “semplicemente” per identificare e filtrare messaggi spam sui server di posta…).
Il Machine Learning, tuttavia, perché risulti efficace, necessita di grandi moli di dati e, alla base, di infrastrutture affidabili e con grandi capacità di risorse, facilmente scalabili (per esempio come le infrastrutture iperconvergenti e la scalabilità delle risorse attraverso il cloud computing).
A “cosa serve” è abbastanza intuibile: tralasciando gli aspetti più tecnici, il Machine Learning sta alla base di un nuovo modo di sfruttare gli algoritmi per estrarre dati, imparare da essi e quindi estrapolarne informazioni utili, per esempio per prevedere tendenze o anticipare possibili scenari… ciò di cui le aziende hanno bisogno oggi per competere in mercati globali sempre più “agguerriti” sul piano competitivo.
Alcuni degli esempi più “semplici” di applicazione del Machine Learning – senza che l’utente in realtà se ne accorga – sono dati da Facebook e Amazon: Facebook raccoglie informazioni comportamentali sul proprio social network che rappresentano la base che alimenta il sistema di Machine Learning il quale prevede interessi e comportamenti degli utenti per proporre news, pubblicità, servizi “personalizzati” (con una maggiore probabilità di successo); allo stesso modo Amazon analizza il comportamento degli utenti per proporre prodotti e servizi vicini alle esigenze ed alle aspettative delle persone.
Data Analytics, verso le analisi prescrittive con il Machine Learning
I modelli di dati sfruttati tipicamente nei Data Analytics sono statici e questo rappresenta un limite quando la struttura dei dati alla base di tali modelli cambia in modo dinamico (pensiamo per esempio ai dati prodotti dall’IoT ma anche, più in generale, al tema Big Data visto dalla sua prospettiva più ampia, quella della continua proliferazione di grandi moli di dati variabili, destrutturati e provenienti da più fonti).
Quando sul piano dell’analisi dei dati diventa necessario correlare ed analizzare tantissime informazioni che producono a loro volta tanti dati, diventa necessario passare al Machine Learning che, estremizzando un po’, è la soluzione ideale quando si sa cosa si vuole ottenere ma non si conoscono le variabili e gli input che consentono di arrivare a ciò che si vuole (tipicamente, una informazione utile per prendere una decisione).
Il Machine Learning, in quest’ottica, diventa l’elemento chiave dei Data Analytics perché usa il target obiettivo fissato nell’algoritmo per imparare dai dati e scegliere autonomamente le variabili di input necessarie al raggiungimento dello scopo.
Sistemi di analisi tradizionali sfruttano modelli descrittivi e il know how degli esperti di dominio per stabilire correlazioni tra variabili, il Machine Learning, invece, cerca automaticamente le variabili predittivi e le loro interazioni partendo dalla variabile di risultato (l’obiettivo che si intende raggiungere). Il sistema di Machine Learning, in altre parole, “compreso” l’obiettivo cerca ed apprendere quali sono i fattori più importanti che consentiranno il raggiungimento di quell’obiettivo.
Il Machine Learning, infine, è estremamente importante nelle cosiddette analisi predittive e prescrittive perché consente di fare previsioni precise su eventi futuri (analizzandone impatti e conseguenze e suggerendo “azioni”). Come accennato, mentre i Data Analytics tradizionali si basano su modelli di dati statici, gli algoritmi di Machine Learning migliorano costantemente nel tempo, migliorando via via l’accuratezza e la precisione delle previsioni. I sistemi di apprendimento automatico, infatti, procedono facendo ipotesi, analizzando i risultati, rivalutando i modelli ed i dati… il tutto automaticamente senza intervento umano; ciò significa che non c’è più bisogno di codificare (scrivere modelli di analisi che contengono nel codice regole ed istruzioni predeterminate) ogni possibile azione/reazione, il sistema di Machine Learning è in grado di “testare” le analisi e rivederne i processi in modo automatico.
Ecco perché, quando ai Data Analytics viene chiesta una capacità superiore di analisi, soprattutto nell’ambito delle analisi prescrittive, è bene ricorrere a soluzioni che fanno uso del Machine Learning.
Desideri parlare con un nostro esperto? Contattaci
Ultime News Analytics
-
-
Differenze tra overfitting e underfitting
5 Gennaio 2024 -
OLAP: Cos’è, Come funziona, Caratteristiche e Tipologie
27 Novembre 2023 -
ETL vs ELT: differenze chiave e il migliore
25 Settembre 2023 -
Data lake vs data warehouse: 10 differenze chiave
13 Agosto 2023 -
Data mart: cos’è, tipologie e struttura
2 Agosto 2023 -
ETL (Extract, Transform, Load): Cos’è e come funziona
28 Luglio 2023
Intelligenza artificiale e analisi
-
Machine Learning e Deep Learning: quali sono le differenze?
6 Ottobre 2021 -
Deep Learning: la parte più profonda dell’Intelligenza Artificiale
27 Settembre 2021