Cos’è il Machine Learning.

Il machine learning può e deve essere definito come un sottocampo dell’AI, o meglio, qualcosa che è di base fondamentale per l’intelligenza artificiale.

Questo sistema è in grado di migliorare le proprie prestazione grazie dell’esperienza o/e soprattutto all’inserimento dei dati.

Se il machine learning è un sottocampo dell’AI, allora cos’è il Deep Learning? Ci sono differenze?

Il Deep learning è un sottocampo del machine learning, con un funzionamento ben specifico e di vitale importanza. 

Può sembrare come una matrioska ed effettivamente è quello che è realmente.

Potrete imbattervi anche nel termine “scienza dei dati”, essendo una parola che racchiude più discipline, tra le quali anche il machine learning, facendo tornare nella vostra testa il concetto della bambola matrioska che comprende più cose, volte a creare la matrioska principale, che nel nostro caso è semplicemente l’AI.

Altro termine, come quello di “Robotica”, può comparire molto volte nelle vostre ricerche in internet.

Questa disciplina ci permette di creare e programmare robot fantastici in grado di funzionare ed integrarsi perfettamente nel nostro mondo. Vi sono venuti in mente i robot della Boston Dynamics? 

Sappiate che il concetto è proprio questo e la robotica possiamo definirla quindi come l’ultimo passaggio della AI, perché se ci pensate, un robot deve contenere tutte le aree e sottoinsieme della AI.

Non facciamoci però ancora una volta trarre in inganno da film o aziende sensazionalistiche.

La maggior parte dei robot esistono da parecchio tempo e sono diventati per noi essenziali, anche se, non hanno sembianze umane o animali, come ad esempio le lavatrici, lavastoviglie, robot per la pulizia del pavimento e molti altri.

Torniamo al machine learning, questa disciplina che si basa sulla statistica e conoscenza quindi dei dati.

Possiamo definire machine learning un sistema intelligente che migliora autonomamente attraverso i dati che riceve e con l’esperienza temporale.

Esistono diversi tipi di apprendimenti per il Machine Learning, che di fatto ne creano 3 tipologie differenti.

Tre tipologie di machine learning

Il machine learning affonda le proprie radici nella statistica, che può essere intesa anche come l’arte di estrarre conoscenze dai dati.

Il campo principale può a sua volta essere suddiviso in altri differenti campi, definiti nel nostro caso, come “apprendimenti.

• Apprendimento supervisionato: ovvero viene identificato un dato in ingresso ed il compito consiste nel predire qualcosa generando un dato in uscita. Quindi è una questione di input e output. 

Alla macchina vengono forniti dati codificati già conosciuti ed analizzati, dando un aiuto sostanziale alla macchina, in quanto dovrà attingere “semplicemente” da dati inserite nel proprio database, analizzandoli, e scegliendo quale risposta dare sulla base di esperienze già inserite.

• Apprendimento non supervisionato: estremamente diverso rispetto al concetto di prima, in quanto qui il compito della macchina è quello di raggruppare dei dati per formarne dei “cluster” ed interpretarne il risultato.

La macchina stessa dovrà capire i dati ricevuti (non codificati) ed entrati in suo possesso, cercandone un significato ed organizzando al meglio tutte le informazioni per poter poi restituirne un risultato finale.

Questo apprendimento dona maggiori libertà al sistema (macchina), che dovrà capire quali sono i migliori sviluppi in contesti differenti

• Apprendimento di rinforzo: ovvero quando la macchina è dotata di strumenti integrativi per migliorare il suo apprendimento e capacità di agire, restituendo determinati risultati.

Sicuramente l’apprendimento più complesso e delicato.

Ancora una volta possiamo attingere sicuramente dal mondo della guida autonoma, dove l’auto è dotata di telecamere, sensori e molta altra tecnologia in grado di riconoscere l’ambiente circostante estremamente variabile, identificando segnali stradali, persone, animali, situazioni dinamiche e non preventivate e molto altro.

Storicamente i primi esempi di machine learning, quindi la realizzazione di apprendimento intelligente, possono essere inseriti a partire dagli anni di Alan Turing. 

Si sviluppò il concetto di realizzare macchine in grado di prevedere l’accadimento di determinati eventi grazie a metodi probabilistici e statistici. Macchine in grado di apprendere dei dati e restituire un risultato.

Quindi cos’è il machine learning?

Il machine learning possiamo definirlo un sottoinsieme dell’intelligenza artificiale (AI).

Il suo compito è quello di creare un sistema, in grado di apprendere e migliorare, basandosi sui dati che vengono utilizzati.

Un esempio semplice ma significativo di Machine Learning? 

Bene, i nostri assistenti virtuali, come Alexa e Google Home, migliorano il loro riconoscimento vocale interagendo sempre più spesso con noi.