Machine Learning, Data Mining, Intelligenza Artificiale: questi termini, ormai all’ordine del giorno, sembrano avere delle risonanze fantascientifiche. Cosa sono esattamente? Sono intercambiabili o si riferiscono a concetti diversi? Queste discipline si studiano ad Hogwarts o esistono nella vita reale?
L’alone di mistero e magia che aleggia intorno a questi concetti è sintomo del fascino che queste tematiche infondono nella società e del forte successo professionale degli esperti in questi settori, considerati alla stregua di maghi che impugnano le redini della tecnologia moderna. Non a caso, quello del Data Scientist è stato definito il mestiere più sexy del ventunesimo secolo.
L’alone di mistero e magia che aleggia intorno a questi concetti è sintomo del fascino che queste tematiche infondono nella società e del forte successo professionale degli esperti in questi settori, considerati alla stregua di maghi che impugnano le redini della tecnologia moderna. Non a caso, quello del Data Scientist è stato definito il mestiere più sexy del ventunesimo secolo.
Quali sono le ragioni di questo successo? Scopriamo insieme i punti salienti di questi concetti ed addentriamoci nell’analisi degli algoritmi principali che li caratterizzano.
Per cogliere le differenze sostanziali tra queste aree, è utile partire da una rappresentazione visiva che permetta di comprendere il legame che sussiste tra queste tematiche.
Sicuramente il tema dell’Intelligenza Artificiale è quello più discusso e conosciuto: nell’immaginario comune si ricollega alla visione di una realtà futuristica in cui i robot convivono con noi umani, hanno fattezze simili alle nostre e, ad un certo punto della loro evoluzione, iniziano ad avere coscienza propria. Sebbene questo scenario sia ancora troppo distante dalla nostra esperienza personale, si può dire che, anche se in modo molto meno invasivo, l’Intelligenza Artificiale ci circonda: la possiamo ritrovare nel riconoscimento facciale del nostro smartphone, nei comandi vocali di Google, nelle auto a guida autonoma o persino nelle cuffie con cui ascoltiamo la musica. Se ne parla in continuazione, con meraviglia e timore, ma come la si può definire?
L’Intelligenza Artificiale indica la capacità di un sistema tecnologico di comportarsi come un umano, quindi si riferisce a tutte quelle macchine che sono considerate sistemi intelligenti in quanto dotate di capacità di apprendimento, ragionamento, decisione e di percezioni visive e spazio-temporali. È una vera e propria scienza che comprende aree di ricerca estremamente vaste, che si pongono l’obiettivo di cercare di sviluppare determinate caratteristiche del cervello e dell’attitudine umana.
Una delle branche fondamentali dell’Intelligenza Artificiale è il Machine Learning, il settore di ricerca inerente all’apprendimento automatico delle macchine. Infatti, seppur spesso i due concetti vengano considerati uguali, di fatto il Machine Learning è soltanto un sottoinsieme – sicuramente uno dei più importanti – dell’esteso panorama dell’universo AI.
Cuore dello sviluppo dei sistemi intelligenti, l’apprendimento automatico è stato in grado di sradicare l’idea di programmazione tradizionale, dando origine ad algoritmi del tutto rivoluzionari. In genere, applicazioni e sistemi informatici svolgono i propri compiti grazie al duro lavoro di programmatori che traducono in linee di codice ogni possibile input e ogni ipotetico scenario di utilizzo: se l’utente compie un’azione che non era stata presa in considerazione nel momento dello sviluppo del programma, il sistema non è in grado di restituire un output. Nel caso degli algoritmi di Machine Learning, invece, l’idea è proprio quella di fornire al sistema gli strumenti adatti per sviluppare una conoscenza propria, in modo da renderlo capace di apprendere dei modelli e usare l’esperienza passata per prendere autonomamente decisioni in caso di situazioni impreviste.
A questo punto, una domanda potrebbe sorgere spontanea: come si può insegnare alle macchine ad imparare?
La risposta risiede in una delle più importanti fonti di ricchezza, conoscenza e potere del ventunesimo secolo: i dati. Consideriamo un parallelismo con l’esperienza umana: per imparare qualcosa noi ci documentiamo, attiviamo tutti i nostri sensi e arricchiamo le nostre conoscenze osservando la realtà che ci circonda, leggendo o confrontandoci con altre persone. Allo stesso modo, i sistemi tecnologici necessitano di una mole di esempi – tabelle, dati testuali, multimediali – da cui poter estrarre delle regole che, una volta comprese, possono essere riutilizzate in presenza di input nuovi e sconosciuti.
L’analisi dei dati con l’obiettivo di estrapolare informazioni e conoscenze utili da essi è il nodo centrale del Data Mining, un campo caratterizzato dalla coesione di diverse discipline, quali statistica, data visualization e machine learning. Il suo scopo è quello di estrarre da grandi quantità di dati delle informazioni precedentemente sconosciute e dei pattern significativi che permettano di svolgere su di essi delle attività di predizione o descrizione.
Il confine tra Data Mining e Machine Learning è molto labile e talvolta impercettibile, a causa della sovrapposizione che spesso si crea tra queste due tecniche. Talvolta i dati elaborati tramite le tecniche di Data Mining vengono utilizzati come input per gli algoritmi di Machine Learning per scoprire le relazioni e i pattern esistenti tra i diversi elementi; in altri casi, il Machine Learning viene adottato dal Data Mining per estrarre informazioni dai dati in modo automatico.
Le differenze sostanziali tra i due processi risiedono nel loro scopo e nella necessità o meno di richiedere l’intervento umano per il loro funzionamento. Le tecniche di Data Mining, infatti, si prefiggono esclusivamente l’obiettivo di estrarre regole utili dai dati elaborati; gli algoritmi di Machine Learning, invece, usano i dati come punto di partenza per insegnare ad un sistema ad apprendere e ad usare l’esperienza per diventare intelligente. Inoltre, il campo del Data Mining si basa sull’interazione esterna degli umani che utilizzano gli algoritmi, creano dei modelli, tentano di migliorarli e interagiscono con il sistema; il fine ultimo del Machine Learning, invece, è quello di procedere autonomamente: l’intervento umano si limita al settaggio dei parametri iniziali dell’algoritmo, dopodiché il sistema si sviluppa, cresce, apprende e segue un flusso indefinito e spontaneo.
Tipi di apprendimento: supervised e unsupervised learning
A questo punto, dopo aver compreso i punti chiave di questi concetti, possiamo andare più a fondo nell’analisi degli algoritmi principali che li contraddistinguono.
Gli algoritmi di Machine Learning e Data Mining si dividono in due categorie fondamentali: supervised learning e unsupervised learning. Il primo si riferisce ad un tipo di apprendimento usato per risolvere problemi di predizione, mentre la tecnica dell’apprendimento non supervisionato è relativa a problemi di raggruppamento.
Supponiamo di voler affittare un appartamento su Airbnb e di essere interessati a trovare un algoritmo che, sulla base di un insieme di parametri iniziali, riesca a predire un prezzo adeguato per la nostra casa. Per fare ciò, abbiamo bisogno di un dataset che raccolga le informazioni inerenti ad appartamenti già esistenti e classificati: per ognuno di essi si registrano parametri utili quali posizione, dimensione, numero di stanze o tipo di appartamento e si fissa come etichetta il prezzo stabilito. A questo punto il nostro algoritmo potrà iniziare una fase di training, con l’obiettivo di analizzare il dataset di ingresso per estrapolare relazioni e formule matematiche. Infine, grazie alle conoscenze acquisite tramite l’apprendimento, sarà in grado di predire il valore dell’etichetta – quindi, in questo caso, del prezzo – per ogni nuovo dato sconosciuto.
In alternativa, si può pensare al filtro anti-spam o alle etichette utilizzate nella casella di posta per catalogare determinate mail. Anche in questo caso, vengono usati degli algoritmi di classificazione che imparano a riconoscere delle caratteristiche peculiari per ogni tipo di categoria e sono in grado di decidere in che modo smistare le nuove mail.
Quando il valore da predire è continuo, come nel primo esempio, allora si parla di algoritmi di regressione; al contrario, se l’output è un valore discreto, si ha a che fare con algoritmi di classificazione.
Per quanto riguarda i problemi di apprendimento non supervisionato, la differenza fondamentale rispetto al caso precedente è che non si ha a disposizione un dataset di partenza con i dati già etichettati da cui estrapolare un modello. Per questo motivo, l’obiettivo è di estrarre delle relazioni che permettano di identificare dati omogenei tra loro. L’ambito di applicazione più esteso è il clustering, che consiste nel raggruppamento dei dati in insiemi, detti cluster, di oggetti simili. Ad esempio, questo tipo di tecnica è molto diffusa nel marketing per caratterizzare gruppi di consumatori e identificare i vari tipi di target a cui mirare le campagne pubblicitarie.
Uno sguardo al futuro
L’Intelligenza Artificiale è un campo in continuo sviluppo che solo di recente è riuscito a rivendicare un’importanza concreta al di fuori degli ambienti di ricerca. Nell’ultimo periodo, il Machine Learning si è fuso con il settore sempre più affermato dell’Internet of Things divenendo rilevante per aziende e consumatori. L’idea di vivere in una casa smart ed essere circondati da dispositivi intelligenti diventa sempre più allettante e prerogativa di tutti. D’altro canto, i temi di privacy e cyber security iniziano a sorgere con allarmismo, oltre al timore comune che molte figure lavorative vengano soppiantate dai robot.
A questo proposito, è proprio il capo di Google Ray Kurzweil che stronca ogni paura dicendo:
“I robot ruberanno i nostri lavori in futuro? Probabilmente sì, ma non è un gran problema: ne inventeremo di nuovi.”
Sicuramente l’importanza di queste tematiche non si fermerà qui: ne sentiremo parlare ancora per anni, ne saremo sempre più affascinati e inizieremo ad abituarci ai cambiamenti che si presenteranno nella quotidianità. Ma non abbiate paura, abbandonate le previsioni apocalittiche e considerate questi strumenti per ciò che effettivamente sono: mezzi per sviluppare la nostra società e vivere nel migliore dei modi possibili.