Attraverso l’uso di algoritmi e la fornitura di dati, i computer possono apprendere come eseguire compiti senza essere esplicitamente programmati per farlo. In altre parole, il machine learning consente ai computer di apprendere dall’esperienza, sfruttando il potenziale di un circolo virtuoso.
In questo articolo cercheremo di fornire tutte le informazioni necessarie per comprendere a fondo il significato di machine learning e quale impatto potrebbe avere sulla società.
Come funziona il machine learning?
Anche se forse non ce ne rendiamo conto, il machine learning è un elemento chiave della maggior parte dei servizi che utilizziamo ogni giorno. Molte aziende adottano il machine learning perché consente di trovare modelli nei dati al fine di migliorare un servizio senza modificare il codice (con tutto ciò che ne consegue in termini di tempo e risorse).
Prendiamo ad esempio gli annunci pubblicitari che ci vengono mostrati sul nostro feed di Facebook. Se sei un appassionato di escursioni, magari interessato all’attrezzatura da campeggio o all’acquisto del gadget appena uscito per il tracciamento via GPS, ti verranno mostrati sicuramente annunci pubblicitari a tema “outdoor”.
Il machine learning analizza la tua cronologia di navigazione, i siti web che visiti e le persone che segui su Facebook per proporti annunci pertinenti. Non lo fa a caso o necessariamente per farti felice: questa analisi comportamentale aumenta di molto le possibilità che tu effettui un acquisto.
Si innesca così un loop positivo dal lato commerciale, per il quale sempre più aziende saranno interessate a mostrare i propri prodotti tramite pubblicità su Facebook, aumentando i ricavi del social controllato da Meta.
Se ti appassioni a un nuovo hobby o cerchi online qualcosa per la primissima volta, i sistemi di machine learning iniziano immediatamente a mostrarti annunci diversi, influenzati dai tuoi nuovi interessi.
Questa tecnologia analizza costantemente i cambiamenti del tuo comportamento, cercando di fornire proposte pubblicitarie su cui saresti più propenso a cliccare. Il fine ultimo è aumentare i ricavi per tutta la filiera digitale.
Applicazioni pratiche del machine learning
Ecco alcuni degli esempi più noti delle applicazioni di machine learning nella vita quotidiana:
- Suggerimento di film, programmi o serie su piattaforme di streaming. I servizi che propongono contenuti multimediali alla propria utenza, analizzano ciò che guardi e suggeriscono programmi affini che potrebbero incontrare i tuoi gusti.
- Correzione automatica dei testi. Molte applicazioni e dispositivi offrono la funzione di autocorrezione, che analizza ciò che scrivi per rilevare e correggere eventuali errori di battitura o grammaticali.
- Rilevamento delle frodi nelle banche online. Il machine learning può rilevare frodi e prevenire il furto di identità. Quando viene rilevata un’attività sospetta, la tua banca potrebbe bloccare il tuo conto. Questi sistemi preventivi potrebbero bloccare l’accesso al tuo account da un Paese remoto o acquisti che la banca considera come sospetti.
- Assistenti virtuali personali. Gli assistenti virtuali come Siri o Alexa analizzano le informazioni fornite dagli utenti, le confrontano con i dati precedenti e svolgono varie attività di previsione e affinamento delle risposte. Questo vale anche per i chatbot che offrono supporto agli utenti.
- App di previsione del traffico. Google Maps e altre app simili analizzano i dati del traffico e suggeriscono il percorso più veloce.
- Amici suggeriti sui social network. L’algoritmo analizza la tua posizione, gli amici, gli interessi, l’età e il luogo di lavoro e ti presenta un elenco di persone che potresti conoscere.
- Filtri anti spam. L’intelligenza artificiale trova anche applicazione nell’ambito della sicurezza informatica. Se ad esempio, a un sistema di machine learning vengono forniti esempi di email di spam o phishing, può impedire che email simili arrivino nella tua casella personale.
- Orologi sportivi. Questi tipi di gadget tracciano le tue attività, monitorano la frequenza cardiaca e possono inviare notifiche, ad esempio, nel caso in cui la saturazione del sangue scenda sotto una certa soglia.
- Riconoscimento facciale. Il machine learning può analizzare i dati biometrici e identificare le persone confrontando i volti con i parametri contenuti in un database. Un sistema utilizzato ad esempio per convalidare gli utenti e consentire loro l’accesso negli account di una banca online.
In generale, il machine learning utilizza algoritmi e modelli statistici per analizzare grandi quantità di dati e rilevare modelli o tendenze che potrebbero non essere evidenti a un essere umano. Questi modelli possono essere utilizzati per migliorare i servizi esistenti, creare nuovi prodotti o addirittura prevedere il futuro.
Tipi di machine learning
Vediamo ora un elenco delle principali tipologie di machine learning o apprendimento automatico.
Supervised machine learning (Apprendimento supervisionato)
Nell’apprendimento supervisionato, a un algoritmo vengono forniti dati di input e di output selezionati, per addestrare il modello, delineato dal team di sviluppo, al fine di fare previsioni. Dopo che un algoritmo ha finito di analizzare i dati, applica o configura il modello e impara gradualmente a correlare i dati di input a quelli di output.
Terminata questa procedura “guidata”, può operare in modo indipendente, all’interno dei parametri fissati per raggiungere lo scopo.
Unsupervised learning (Apprendimento non supervisionato)
Gli algoritmi di apprendimento non supervisionato non sono condizionati all’intervento umano perché possono trovare i modelli nei dati da soli. Questa capacità consente loro di svolgere compiti più complessi e versatili rispetto all’apprendimento supervisionato. Tuttavia, all’atto pratico questa tipologia di machine learning risulta molto meno precisa rispetto alla categoria precedente.
Semi-supervised learning (Apprendimento semi-supervisionato)
Come suggerisce il nome, questo tipo di machine learning è una categoria ibrida delle due viste più in alto. In pratica, utilizza dati “etichettati” e non, affinché il modello su cui si basa possa apprendere e fare previsioni qualora gli vengano forniti input, o prompt, esterni.
Il machine learning semi-supervisionato viene spesso utilizzato quando non ci sono abbastanza dati da “dare in pasto” alla macchina. Anche a causa di tale penuria di informazioni, il risultato finale del sistema di machine-learning è considerato meno affidabile.
Reinforcement learning (Apprendimento basato sul rinforzo)
Nell’apprendimento per rinforzo, un modello ottiene ricompense o penalità in base alle sue azioni. Spetta quindi al modello stesso capire come ottenere più ricompense. Viene così raggiunto in maniera indiretta l’obiettivo finale, in maniera non particolarmente distante dal sistema biochimico “premiale” rappresentato dal nostro cervello.
Gli algoritmi di apprendimento per rinforzo risolvono problemi complessi e non vengono utilizzati per task semplici. Dopo aver trovato diverse soluzioni al problema iniziale, questo modello è addirittura in grado di applicare quella che gli permette di massimizzare la ricompensa.
Qual è la differenza tra deep learning, intelligenza artificiale e machine learning?
Spesso capita, nel linguaggio comune, che i concetti “machine learning” e IA siano utilizzati come sinonimi. In realtà, presentano alcune differenze. Con IA si considerano infatti tutte le macchine in grado di simulare il pensiero e il comportamento umano.
Il machine learning, invece, è una sottocategoria dell’IA che consente alle macchine di apprendere vari modelli e risolvere problemi.
La terza categoria, ovvero il deep learning cerca di imitare la nostra rete neuronale, trasformandola in un sistema estremamente sofisticato in grado di prendere decisioni in modo autonomo. Per questa ragione, il deep learning è una sottocategoria del machine learning.
L’apprendimento automatico ha bisogno dell’intervento umano, mentre il deep learning può effettuare calcoli in autonomia e decidere se il risultato finale sia accettabile o meno. Poiché sistemi di deep learning possono imparare dai propri errori, spesso vengono paragonati al cervello umano.
Non si tratta di fantascienza: alcune previsioni per il 2025 dicono che i risultati potrebbero spazzare via i sorprendenti obiettivi già ottenuti finora.
Nonostante queste differenze, tutte e tre queste tecnologie sono fondamentali per lo sviluppo di applicazioni intelligenti. L’IA, il machine e il deep learning stanno già rivoluzionando molte industrie e settori, come quello sanitario, finanziario, energetico e logistico. Secondo le proiezioni più autorevoli, il mercato dell’IA raggiungerà i 190,61 miliardi di dollari entro il 2025.
Queste tecnologie offrono molte opportunità, ma pongono anche alcune sfide. Ad esempio, le preoccupazioni sulla privacy dei dati e sull’uso etico dell’IA stanno diventando sempre più pressanti. Tuttavia, se usate in modo responsabile, queste soluzioni hi-tech possono migliorare molti aspetti della vita umana e portare a grandi cambiamenti e innovazioni.
Le sfide etiche del machine learning
Scopriamo le principali criticità del machine learning, ossia quegli ambiti in cui si concentrano principalmente i dubbi.
Sorveglianza
Sebbene il machine learning possa migliorare l’esperienza d’uso in vari settori, può anche essere utilizzato per scopi meno trasparenti, che potrebbero mettere a repentaglio la cybersecurity di aziende e privati. Molte amministrazioni comunali utilizzano software di riconoscimento facciale per monitorare gli spazi pubblici e identificare i criminali. Tuttavia, i difensori della privacy hanno sollevato preoccupazioni sull’accuratezza di questa tecnologia e di quanto sia etico “spiare” le persone.
Mancanza di trasparenza
L’IA non è coperta da una regolamentazione adeguata e da leggi internazionali. Questo vuoto normativo non consente alle autorità di sapere come vengono utilizzate queste tecnologie e chi stia raccogliendo i dati. È facile intuire come possano essere utilizzate per fini criminali.
Distribuzione disomogenea del potere
Le grandi aziende hanno più risorse per sviluppare e adottare l’IA, spingendo indirettamente la concorrenza fuori dal mercato. Gli esperti informatici concordano sul fatto che coloro che possiedono una tecnologia simile hanno un vantaggio competitivo rispetto a tutti gli altri.
Privacy
Le imprese raccolgono molti dati su di noi: informazioni che spaziano dalle abitudini di navigazione alla posizione. Sebbene sostengano che questi dati siano necessari per fornire agli utenti un servizio migliore, non mancano i dubbi dal lato etico Non abbiamo la certezza su come vengano conservati i nostri dati e su chi possa accedervi. Poiché le violazioni dei dati accadono ogni giorno, l’opacità che caratterizza questo ambito rende tutti vulnerabili.
