Wide Learning, i vantaggi del machine learning secondo Fujitsu

Progetti

Wide Learning è una tecnologia di apprendimento automatico in grado di fornire giudizi accurati anche quando gli operatori non sono in grado di ottenere il volume di dati necessari

Fujitsu Laboratories propone Wide Learning come tecnologia di machine learning in grado di prendere decisioni accurate, anche in assenza di un volume di dati considerato solitamente necessario per la loro formazione.

Si sa come, ad oggi, l’Intelligenza Artificiale non sia in grado di formulare ‘deduzioni’ senza una sostanziosa base di dati, e come anche in questo caso si possa con una certa serenità parlare ancora di induzione.

Essa è utilizzata in diversi ambiti, ma nei casi in cui il volume dei dati da analizzare sia piccolo o non bilanciato, la sua precisione quindi può venire un po’ meno.

Qui si innesta la proposta tecnologica di Fujitsu, Wide Learning, che permette di arrivare a valutazioni più accurate di quanto fosse possibile in precedenza.

Wide learning
Wide learning

In questo caso il funzionamento è basato sulla estrapolazione di ipotesi di importanza maggiore rispetto a una serie di ipotesi formulate sulla base di tutte le combinazioni di dati poi  eseguendo controlli incrociati tra queste.

Le varie ipotesi sono registrate come espressioni logiche, dunque l’uomo è in grado di risalire e verificare il “ragionamento” compiuto. In pratica l’apprendimento è ottenuto in modo uniforme, indipendentemente da ciò che viene esaminato e dal volume di dati.

Non mancano alcune applicazioni basate sull’AI di Fujitsu già concrete.

Per esempio i Fujitsu Laboratories Insight Center for Data Analytics, un istituto di ricerca di analisi dei dati con sede in Irlanda, hanno annunciato lo sviluppo di una tecnologia che rende possibile prevedere grandi volumi di reazioni chimiche sconosciute, circa il doppio rispetto alla procedura convenzionale.

Nelle malattie gravi è comune che ci siano delle anomalie nelle reazioni di fosforilazione (reazioni chimiche che avvengono tra le proteine). Per scoprirle, è necessario controllare le combinazioni di proteine ​​ attraverso complessi esperimenti biologici.

Tuttavia, poiché le combinazioni possibili sono più di 800mila, è facile comprendere che eseguire questi esperimenti ha un elevato costo in termini di tempo e denaro e diventa molto importante concentrarsi sulle combinazioni a più alta probabilità di reazione di fosforilazione.

La tecnologia AI viene utilizzata proprio per questo scopo e le aspettative legate ai risultati di questa implementazione sono ovviamente molto alte.

Poiché sono state identificate solo poche reazioni di fosforilazione, allo stato attuale esiste un problema nel prevedere grandi volumi di tali reazioni causate da combinazioni di proteine ​​sconosciute.

Costruendo però un “knowledge graph” con un i dati delle relazioni tra le informazioni raccolte da una varietà di fonti di informazione per rappresentare una panoramica delle interrelazioni tra le proteine, è possibile verificare la relazione tra nuove proteine ​​in cui prevedere le reazioni di fosforilazione.

Read also :