Nel 1997 il computer Deep Blue riuscì a sconfiggere il genio degli scacchi Garry Kasparov: il sistema IBM era stato addestrato guardando decine di partite per poter vincere contro il campione del mondo.

Questa pietra miliare ha segnato il “prima e dopo” il Machine Learning (ML), una branca dell’Intelligenza Artificiale che istruisce le macchine a pensare e imparare dall’esperienza.

L’apprendimento non consiste solo nella memorizzazione e la raccolta di dati, ma si basa sulla creazione di un modello o percorso che inizia con le informazioni raccolte. I sistemi imparano con la pratica ma, soprattutto, sono in grado di allenarsi per ottimizzare il proprio comportamento attraverso l’elaborazione dei dati.

Il Machine Learning o apprendimento automatico è la tecnologia alla base del riconoscimento vocale degli assistenti virtuali, grazie a cui riceviamo suggerimenti d’acquisto su piattaforme digitali come Spotify o Netflix, risposte intelligenti di Gmail o addirittura consente a Cabify o Uber di ridurre i tempi di ogni viaggio.

Il Machine Learning: i 3 algoritmi di apprendimento

L’apprendimento automatico avviene attraverso una serie di algoritmi che analizzano grandi quantità di dati e determinano quale sia il risultato ottimale per una specifica situazione.

Ci sono varie tipologie di algoritmo, ma possiamo catalogarle in 3 macro categorie:

  1. Algoritmo di apprendimento supervisionato. La macchina impara dagli esempi: è dotata di dati pre-etichettati e la macchina deve rilevare un modello per formulare previsioni. I risultati vengono corretti da un operatore e l’algoritmo può quindi apportare le modifiche e raggiungere un livello di precisione maggiore.

Un esempio? L’algoritmo di Facebook che analizza i dati pubblici disponibili per migliorare il proprio servizio.

  1. Algoritmo di apprendimento non supervisionato. In questo caso l’algoritmo non identifica i modelli nei database taggati, ma cerca similitudini nelle informazioni. Studia le caratteristiche delle informazioni per raggrupparle.

Un esempio? Il raggruppamento di alloggi Airbnb per località.

  1. Algoritmo di apprendimento per rinforzo. Si tratta di una commistione delle 2 tipologie precedenti. Questo sistema insegna alla macchina attraverso un processo di prova ed errore. Impara dalle esperienze passate e adatta il suo comportamento in base alla situazione per ottenere il miglior risultato possibile.

Un esempio? Deep Blue sta imparando a giocare a scacchi. Non solo riconosce i movimenti corretti per ogni tipo di pedina, ma è anche in grado di sapere quali sono quelle più indicate per seguire una determinata strategia di gioco. 

In quali ambiti possiamo impiegare l’apprendimento automatico?

  • Anticipare guasti delle apparecchiature tecnologiche.
  • Sapere qual è il momento giusto per pubblicare post sui social network.
  • Prevedere malattie in base ai sintomi di ciascun paziente.
  • Fornire supporto al cliente con conversazioni intelligenti condotte da chatbot.
  • Determinare il profilo del potenziale cliente in base al suo comportamento di navigazione.
  • Rilevare in anticipo il traffico in una città.
  • Sapere a che ora inviare una newsletter o programmare una chiamata.
  • Intercettare reati in una rete di telecomunicazioni.
  • Prevedere incidenti di sistemi automatizzati e robot.