Che cos’è il machine learning? Come funziona e in quali campi viene applicato

In questo nuovo appuntamento della “mashfrog digital youniversity” abbiamo affrontato il tema con i nostri specialisti che ci hanno spiegato cos’è il machine learning e in quali campi viene applicato.

Definizione “filosofica” di machine learning

Per dare una definizione di machine learning, abbiamo preso in prestito un ambito apparentemente lontano. Infatti, prendendo spunto dalla filosofia, possiamo definirla come la possibilità di fornire alla macchina l’abilità di imparare senza essere esplicitamente programmata prima, poiché non è necessario inserire di volta in volta le regole al suo interno: sarà la macchina che in autonomia si adatterà nel tempo apprendendo le nuove regole per lo svolgimento dei compiti assegnati. 

Differenza tra machine learning, intelligenza artificiale e statistica

Innanzitutto è importante differenziare il machine learning dall’intelligenza artificiale, dato che spesso i due termini vengono confusi. Quest’ultima infatti include un raggio di azione molto più ampio e si riferisce a tutto ciò che riesce ad emulare un comportamento umano in modo intelligente, rispettando delle regole inserite, pur non imparando nulla. Il machine learning è una branca dell’intelligenza artificiale che sfrutta nozioni provenienti anche da altri settori, come la statistica ad esempio, consentendo alla macchina di apprendere dagli esempi forniti.

È importante sottolineare inoltre che rispetto alla statistica il machine learning è più pratico, poiché è in grado di trattare e analizzare dataset molto più grandi. Infatti, grazie all’apprendimento automatico e all’analisi della grande mole di dati inseriti, si può sfruttare il machine learning anche per operazioni di data mining, cioè l’insieme di tecniche che consente l’estrazione di informazioni da grandi quantità di dati tramite metodi automatici. 

Infine, il machine learning non va assolutamente confuso con l’inserimento “grezzo” di dati nella macchina, perché non apportano alcun valore aggiunto all’apprendimento della stessa. 

Differenza tra machine Learning e programmazione tradizionale

SI deve tenere a mente che la programmazione tradizionale è profondamente diversa dal machine learning: nella prima si scrivono le regole, si inseriscono i dati e la macchina restituisce delle risposte, o output; invece nel machine learning si inseriscono sia i dati che le risposte attese, ma in più la macchina restituisce le regole che ha imparato.

Inoltre, da un punto di vista strettamente pratico, la programmazione tradizionale richiede una continua riscrittura delle regole, volta alla risoluzione di tutti i problemi e le criticità che compaiono, mentre nel machine learning la macchina lavora in autonomia e impara in che modo affrontare e risolvere le criticità grazie ai dati ricevuti. 

Infine, per migliorare l’apprendimento della macchina è possibile fare ricorso al cosiddetto Reinforcement learning, che consiste nell’affidare alla macchina dei premi o delle penalità in base alla correttezza delle azioni che svolge.  

Ambiti di applicazione 

Attualmente sono numerosi i campi in cui il machine learning viene applicato. Vediamo insieme quelli più significativi. 

Riconoscimento vocale e video

Il riconoscimento vocale, ormai presente sulla gran parte dei dispositivi, è un chiaro esempio di machine learning: il device, dopo una prima registrazione della voce dell’utente, è poi in grado di comprendere i messaggi che vengono pronunciati migliorando la ricezione e perfezionando sempre di più il riconoscimento delle parole.

Un altro caso è quello della registrazione video delle automobili a guida autonoma. Le vetture, tramite i propri sensori, registrano ciò che accade intorno e migliorano costantemente il riconoscimento degli ostacoli e di tutti quegli elementi che servono a migliorare la propria guida. 

Filtro spam nelle mail

Il filtro spam delle caselle e-mail è un altro esempio di applicazione del machine learning. In questo caso il client mail riconosce in automatico ciò che è spam da ciò che non lo è. Inizialmente il meccanismo parte dalla categorizzazione che fanno gli utenti, i quali segnano come spam determinati contenuti e determinati indirizzi. Con il tempo il software assorbe sempre più dati riconoscendo in totale autonomia quali sono gli elementi che costituiscono spam e procede alla classificazione automatica, senza alcun intervento dell’utente umano. 

In questo caso è evidente la differenza con la programmazione tradizionale, dove dovrebbe essere l’utente a riscrivere ogni volta le regole per etichettare una o più mail come spam; nel caso del machine learning invece il software apprende in autonomia le regole. 

Sistema di classificazione e sistema generativo

Il riconoscimento e la classificazione delle immagini è un’attività in cui il machine learning si è dimostrato a dir poco fondamentale. L’attività umana risulterebbe infatti troppo impegnativa e dispendiosa per classificare una grande quantità di immagini, ecco perché l’apprendimento automatico della macchina ha permesso di risparmiare tempo e soldi con un’accuratezza che negli ultimi anni, almeno a partire dal 2015, è arrivata al 96,4%, pareggiando le performance di un essere umano.

I recommendation system

I sistemi di raccomandazioni e consigli, applicazioni del machine learning, hanno fatto letteralmente la fortuna di alcuni brand. Prendiamo ad esempio Netflix, il cui algoritmo comprende perfettamente quali sono i gusti dell’utente e li elabora per fornirgli degli esempi pertinenti. Senza questo sistema correttamente funzionante la piattaforma non sarebbe altro che un grande archivio di prodotti multimediali.

Possiamo citare anche Amazon, che raccoglie i dati delle ricerche e degli acquisti effettuati per fornire ai propri utenti ulteriori consigli di acquisto pertinenti. 

Alphago

Infine, possiamo citare Alphago, l’algoritmo di Google che è stato in grado di battere a “Go”, gioco da tavolo orientale, il campione mondiale. In questo caso il computer gestito dall’algoritmo ha sfidato il campione in carica, apprendendo in autonomia le strategie per vincere la partita, dato che il programmatore aveva inserito solamente le regole del gioco e quelle necessarie all’apprendimento della macchina.

Il machine learning in Mashfrog: i casi Generali Italia e AlphieWealth

Il gruppo Mahsfrog investe nel machine learning dal 2016 per portare su mercati diversi delle innovazioni importanti. Come Mashfrog Group abbiamo collaborato con Generali Italia alla realizzazione di Presspal, il tool che sfrutta il machine learning, l’intelligenza artificiale e la sentiment analysis per creare dei contenuti editoriali e favorire il lavoro dell’ufficio stampa. Abbiamo inoltre applicato il machine learning anche al campo della finanza con AlphieWealth, la piattaforma proprietaria che offre previsioni finanziarie sfruttando modelli predittivi e acquisita da Ucapital24 ad agosto 2020.

In conclusione, il funzionamento ed i casi di applicazione del machine learning, sono un’opportunità da cogliere per diversi settori dell’economia del futuro e noi di Mashfrog siamo pronti ad accettare questa sfida.