Quantcast
L´IT al servizio della tua impresa

Machine learning per tutti i gusti

hub-28.1

Prendendo spunto dall’articolo The Rise of Machine Learning di Marcus Borba, Data and Analytics Expert e CEO di Borba Consulting, ci si rende conto del cambiamento radicale che l’informatica sta avendo. L’apprendimento automatico declinato in sette possibilità

L’apprendimento automatico, anche chiamato machine learning è un insieme di metodi sviluppati negli ultimi decenni in varie comunità scientifiche con diversi nomi come: statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio adattivo, teoria dei sistemi dinamici, elaborazione delle immagini, data mining, algoritmi adattivi, che “fornisce ai computer l’abilità di apprendere senza essere stati esplicitamente programmati”. L’apprendimento automatico è strettamente legato al riconoscimento di pattern e alla teoria computazionale dell’apprendimento ed esplora lo studio e la costruzione di algoritmi che possano apprendere da un insieme di dati e fare delle predizioni su questi, costruendo in modo induttivo un modello basato su dei campioni.

L’apprendimento automatico viene impiegato in quei campi dell’informatica nei quali progettare e programmare algoritmi espliciti è impraticabile; tra le possibili applicazioni citiamo il filtraggio delle email per evitare spam, l’individuazione di intrusioni in una rete o di intrusi che cercano di violare dati, il riconoscimento ottico dei caratteri, i motori di ricerca e la visione artificiale. L’apprendimento automatico è strettamente collegato, e spesso si sovrappone con la statistica computazionale, che si occupa dell’elaborazione di predizioni tramite l’uso di computer.

L’apprendimento automatico è anche fortemente legato all’ottimizzazione matematica, che fornisce metodi, teorie e domini di applicazione a questo campo. Per usi commerciali, l’apprendimento automatico è conosciuto come analisi predittiva. Secondo quanto ha riportato Marcus Borba, Data and Analytics Expert e CEO at Borba Consulting, nell’articolo The Rise of Machine Learning, oggi è in atto un cambiamento nel mondo dell’informatica. Questo cambiamento è dovuto soprattutto al ruolo del machine learning nell’anticipare gli algoritmi costruiti nelle applicazioni.

hub-28.2

Come crescerà il machine learning nei prossimi anni? Vediamo alcune aree di interesse.

Applicazioni intelligenti: Tutte le applicazioni possono essere intelligenti grazie alla veloce elaborazione dei nuovi dati e alla facilità di utilizzo delle piattaforme machine learning. Le applicazioni intelligenti possono produrre previsioni in tempo reale e migliorare col tempo. I rivenditori online, per esempio, stanno sviluppando applicazioni intelligenti utilizzando il machine learning per migliorare i servizi e personalizzare l’esperienza d’acquisto dei clienti.

Previsioni: Il machine learning è un buon strumento per fare previsioni perché in grado di analizzare i dati e trarre da essi soluzioni. I modelli di machine learning sono utlizzati come classici modelli per le statistiche. La parte dell’industri che si occupa della catena di approvvigionamento utilizza il machine learning per prevedere la costruzione di metodi di misurazione della domanda più accurati in modo da migliorare la pianificazione.

Sistemi di raccomandazione: Il machine learning può essere applicato in molti modelli e algoritmi di sistemi di raccomandazione. L’approccio dei recommender è di solito basato sulla nozione di somiglianza tra utenti o argomenti. I siti di negozi online utilizzano il machine learning per personalizzare la raccomandazione di un prodotto, i programmi fedeltà, le offerte, i siti web e le notifiche in tempo reale.

Riconoscimento delle immagini: Sono molte le applicazioni per il riconoscimento delle immagini; la più nota è quella che riguarda il riconoscimento facciale. Il progressivo utilizzo delle reti neuronali da parte del machine learning porta il campo del riconoscimento delle immagini sempre più in crescita.

Analisi prescrittiva: L’analisi aziendale si basa su tre fasi: descrittiva, predittiva e prescrittiva. L’analisi prescrittiva va oltre quella predittiva, fornendo regolamenti applicabili direttamente all’azienda. Il modello prescrittivo consente a chi deve prendere le decisioni di agire immediatamente in base alle regole prese dal modello stesso e dalle previsioni. Gli algoritmi di ottimizzazione possono utilizzare il machine learning, facendo leva sui dati provenienti dai dispositivi intelligenti e dai sensori.

Elaborazione del segnale: Il machine learning è in grado di aiutare nell’analisi dei segnali, compresi immagini, suoni e video, durante l’elaborazione dei discorsi, della musica e delle immagini.

Internet of Things: L’Internet of Things (IoT) offre molte opportunità per il machine learning e il data processing. Le piattaforme IoT offrono capacità di machine learning che consentono agli utenti di analizzare i dati dei sensori, cercare le correlazioni e determinare le risposte da dare.