Era il 1959 quando Arthur Lee Samuel, scienziato americano e pioniere dell’Intelligenza Artificiale, rese noto al mondo intero il pionieristico concetto di “Machine Learning”. Dopo di lui, il ben più noto Tom Michael Mitchell, Direttore del Dipartimento Machine Learning della Carnegie Mellon University, fornì la seguente, nonché apparentemente criptica, definizione del così tradotto “Apprendimento Automatico”:
si dice che un programma apprende dall’esperienza E con riferimento a alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E.
Cosa si cela realmente dietro le parole di Mitchell, e come mai il concetto di Machine Learning è oggi tanto discusso in campi dello scibile via via più numerosi?
Proviamo insieme a far chiarezza, tralasciando per un momento le definizioni di carattere statistico-computazionale.
Indice
Approfondiamo il concetto: cos’è il machine learning
Potremmo identificare il Machine Learning con la programmazione della Macchina (leggasi Computer), in… assenza di programmazione (aka: azioni sul codice).
Ancora criptica? Proviamo così.
Il Machine Learning si propone di educare i Computer per imparare dall’esperienza, ovvero di migliorare le proprie prestazioni programmatiche dopo lo svolgimento di un compito o di un’azione, anche errata. Incredibile come quest’atteggiamento della Machine, così descritto, richiami a gran voce quello…Umano.
Sì, perché sommariamente è proprio questa humanization a richiamare l’attenzione (o, in qualche caso, lo sgomento) di grandi menti del mondo manageriale e accademico, oggidì. Tuttavia, benché possa risultare oltremodo poetica, la questione della macchina che si umanizza e della sfida dei due mondi è solo una piccola parte di ciò che realmente sta accadendo nel mondo delle Macchine, Anno Domini 2018. Chiunque di noi si trovi a leggere di Machine Learning, oggi, di solito trova il concetto ben inserito e interconnesso con altri, quali i Big Data, il Deep Learning, le Reti Neurali, e…il concetto madre: l’Artificial Intelligence. Ma qual è dunque il significato di machine learning?
In effetti, con tutti i parametri sopra elencati converrà farci i conti, in azienda, e quanto prima! A richiamare prepotentemente l’attenzione dei Board di tutto il mondo è l’aumento e il miglioramento delle prestazioni aziendali che il Machine Learning sembra portare con sé – ove applicato in maniera strategica vincente – congiuntamente all’aumento oggettivo dei profitti aziendali. Naturalmente, ciò avviene secondo la strategia di business di ognuno. Come sempre.
Effettivamente, da quando Google ha deciso di assomigliare all’Uomo sempre più – studiandone e analizzandone pedissequamente i movimenti in Rete, ma soprattutto identificandone in maniera sempre più capillare il modo d’essere, la personalità, i bisogni e le preferenze – la “Macchina che Apprende” sembra davvero rappresentare il core topic per un numero di entità organizzative sempre crescente.
La Machine interessa, coinvolge, cattura. Queste sue nuove modalità di apprendimento, basate sulla reazione spontanea derivante dall’analisi statistica dei dati sottoposti dall’Uomo, sono oramai sulla bocca e sul tavolo dei Manager del mondo intero.
Proseguiamo la nostra analisi del ML per addentrarci nei meandri della definizione di Machine Learning (aka apprendimento automatico).
Machine Learning: in cosa consiste
Il Machine Learning consta primariamente di due principali modalità di esecuzione:
- Supervised Learning. Per “apprendimento supervisionato”, si intende l’apprendimento della Machine basato sulla sottoposizione per mano dell’Uomo di dati ed esemplificazioni complete ed esaustive. In sostanza, in questa tipologia applicativa di Machine Learning, non viene lasciato alla Macchina alcun margine d’azione, che resta invece nelle mani dell’Uomo. In questo caso, alla Macchina vengono forniti una serie di dati – correlati per categorie (due) agli input ma anche agli output richiesti – proprio perché questa ritorni un responso plausibile che correli i primi e i secondi in maniera analiticamente accettabile.
- Unsupervised Learning. Per “apprendimento non supervisionato”, si intende l’apprendimento della Macchina basato sul gap esecutivo generato volutamente dall’Uomo. In sostanza, viene lasciato alla Macchina un margine d’azione automatico, per il quale la supervisione dell’Uomo risulta non necessaria. In questo caso, alla Macchina vengono forniti input di dati non suddivisi in alcuna sottocategoria, lasciandole l’elaborazione spontanea di “modelli nascosti” all’Uomo.
Questi sono i due cardini di ciò che il Machine Learning ha rappresentato sin dai tempi di Mitchell, ma che oggi si vanno via via modificando in base ai progressi operati dalla Ricerca continua che il topic ha irrimediabilmente attratto.
Le strategie applicative dell’Apprendimento Automatico
Vediamo infatti sorgere nuove strategie applicative, sicuramente maggiormente impiegate. Nello specifico:
- Machine Learning con apprendimento per rinforzo. Come avviene per l’Uomo, questo genere di apprendimento (dell’algoritmo, del Computer, della Machine…) è basato sul sistema binario (precedentemente ad esclusivo appannaggio Umano) ricompensa/punizione. In termini analitici, la Macchina viene posta in condizione di reagire con un ambiente dinamico nel quale dovrà rispondere agli input autonomamente, mirando a raggiungere il massimo grado di ricompensa, o “autorettificarsi” ove commetta degli errori durante il percorso. Se raggiungerà l’obiettivo verrà lautamente “ricompensata”, mentre ove non accadesse subirà una vera e propria…punizione (aka: penalizzazione). La routine di apprendimento si basa dunque su un passed&failed system, esattamente analogo a quello dei videogiochi – con il quale a tutti voi sarà senza meno capitato di interagire.
- Semi-supervised Learning, o apprendimento semi-supervisionato. Questa modalità esecutiva di Machine Learning consta sostanzialmente di un mix tra le due modalità di supervisione e non-supervisione dell’apprendimento. Alla Macchina verranno quindi fornite due categorie di dati – alcuni provvisti di corrispettivo output ed altri invece privi. L’obiettivo finale resta il medesimo, ovvero l’approdo a nuovi “modelli” precedentemente sconosciuti.
Applicazioni pratiche
Come tutti avrete certamente notato, qualche mente umana può intraprendere voli pindarici quando si confronta con argomenti come il Machine Learning e l’Intelligenza Artificiale. Inutile negare che, sebbene in piena Digital Era, la strada da percorrere per conoscere le reali evoluzioni di questi meravigliosi mezzi ad alto potenziale applicativo è oltremodo lunga. Verrebbe quasi da dire che siamo solo agli inizi.
Ciononostante, forse vi sorprenderà sapere che tutti voi venite in contatto con il Machine Learning pressoché quotidianamente.
Quando effettuate una query (ricerca) su Google, le modalità di ritorno che l’algoritmo utilizza (aka, la Search Engine Result Page o SERP) per rispondere ai vostri bisogni, altro non sono che Machine Learning.
Avrete senza meno tutti un account email, che utilizzate magari per lavoro. Probabilmente, la vostra email è dotata di un filtro anti-spam. Corretto? Ebbene, la rilevazione algoritmica dello spamming in entrata non è altro che Machine Learning. L’upgrade delle modalità di Machine Learning avanzato si trovano invece applicate ai sistemi di sicurezza e data protection, o ai sistemi anti-frode in Rete (come la clonazione fraudolenta delle carte di credito).
Principale applicazione della modalità di Apprendimento Supervisionato riguarda invece l’ambito bio-medico e la Ricerca Scientifica, in cui l’algoritmo gioca un ruolo vitale nella prevenzione delle epidemie o negli andamenti di reazione legati ad esempio ai batteri.
Non è finita. Immaginiamo che tutti utilizziate nella vostra vita quotidiana Netflix, Spotify e Amazon. Beh, dovete sapere che il sistema di analisi e profilazione delle nostre attività mentre scegliamo questa o quella nuova serie da guardare, la nostra musica preferita o il nostro prodotto in e-commerce altro non è che (ancora…) Machine Learning.
Come il Machine Learning e l’AI entrano in gioco formazione aziendale
Il machine learning e l’intelligenza artificiale (AI) stanno rivoluzionando il settore della formazione aziendale in diversi modi. Ecco alcune delle applicazioni più comuni:
- Personalizzazione dei percorsi formativi: L’AI può analizzare i dati di performance e di apprendimento degli impiegati per personalizzare i materiali di formazione.
- Realizzazione di corsi e contenuti formativi: grazie al contributo dell’IA Generativa la produzione di contenuti formativi sta vivendo una vera trasformazione.
- Simulazioni e ambienti di realtà virtuale: Le tecnologie di AI, spesso in combinazione con la realtà virtuale (VR), permettono la creazione di simulazioni realistiche.
- Chatbot e assistenti virtuali: Gli assistenti virtuali e i chatbot guidati da AI possono fornire supporto formativo in tempo reale.
- Analisi predittiva e monitoraggio del progresso: L’AI può utilizzare tecniche di data mining e analisi predittiva per monitorare il progresso degli apprendenti nel tempo.
- Ottimizzazione dei contenuti formativi: L’AI può anche aiutare a ottimizzare i contenuti formativi analizzando quali parti dei corsi sono più efficaci e quali potrebbero necessitare di miglioramenti,
- Potenziamento del mentoring: grazie ad un matching intelligente tra mentori e mentee. Gli A
- algoritmi di AI possono analizzare i profili professionali e le competenze di mentori e mentee per creare abbinamenti ottimali.
Apprendimento automatico e formazione: facciamo un recap
Dopo avervi quindi introdotto nel… Magico mondo del Machine Learning, ci preme ora non tradire la nostra principale mission aziendale: apprendere. Vorremmo quindi dare anche a voi l’immediata possibilità di provare a far… Apprendere la Macchina, insieme al suo principale esperto. Coraggio, provate anche voi. ☺
Try what Google is doing…
Come detto, la humanization della Macchina continua prepotentemente a canalizzare l’attenzione dei ricercatori (e non… Avete mai visto la serie Westworld?), soprattutto in Azienda. Ben consci che l’unico sistema per fugare la paura dell’ignoto sia la conoscenza, noi abbiamo deciso di conoscerla meglio – soprattutto considerando il reale e concreto contributo che essa può potenzialmente apportare proprio al mondo del Digital learning e dell’E-learning.
Insomma, ci siamo addentrati nella tana del bianconiglio per scoprire come funziona oggi il Machine Learning e il ruolo dell’AI Generativa nella formazione aziendale. Ma siamo solo agli albori di una nuova era…tutta da scrivere e da apprendere.
Segui con noi gli sviluppi della ricerca. #learnwithus!