Il machine learning, o apprendimento automatico, è un ramo dell'intelligenza artificiale in cui i computer imparano a svolgere compiti a partire dai dati, invece di seguire regole scritte una per una dai programmatori. Il termine è stato reso popolare dal ricercatore Arthur Samuel nel 1959, che creò un programma capace di migliorare a dama giocando contro se stesso. Questa guida offre il machine learning spiegato senza formule.
Regole contro esempi
Immagina di creare un filtro antispam. Nel modo tradizionale, un programmatore scriverebbe regole: se l'email contiene una certa parola, segnala come spam. Il problema è che i truffatori cambiano continuamente le parole. Con il machine learning mostriamo al sistema migliaia di email già classificate come spam o non spam, e il sistema scopre da solo gli schemi che le distinguono, compresi schemi che nessuno avrebbe pensato di scrivere.
I tre tipi principali di apprendimento
Apprendimento supervisionato: il modello impara da esempi che contengono la risposta giusta, come foto etichettate gatto o cane, o case con il loro prezzo di vendita. Poi prevede la risposta per casi nuovi. È il tipo più usato nelle aziende.
Apprendimento non supervisionato: il modello riceve dati senza risposta e cerca gruppi e schemi, per esempio per dividere i clienti in profili di acquisto simili.
Apprendimento per rinforzo: il modello impara per tentativi ed errori, ricevendo ricompense quando indovina. Si usa nei giochi, nella robotica e nel perfezionamento di assistenti come ChatGPT.
Come si addestra un modello
1. Raccogliere e preparare i dati: riunire esempi, correggere errori ed eliminare duplicati. Di solito questa fase richiede la maggior parte del lavoro.
2. Dividere i dati: una parte serve per l'addestramento e un'altra viene tenuta da parte per verificare se il modello funziona con dati mai visti.
3. Addestrare: l'algoritmo regola i parametri interni per sbagliare sempre meno sugli esempi di addestramento.
4. Valutare: il modello viene provato sui dati tenuti da parte. Se va bene nell'addestramento e male nella prova, ha memorizzato gli esempi invece di imparare, un problema chiamato overfitting.
5. Usare e monitorare: il modello entra in produzione e va seguito nel tempo, perché il mondo cambia e i nuovi dati possono allontanarsi da quelli vecchi.
Reti neurali e deep learning
Le reti neurali sono modelli ispirati liberamente al funzionamento dei neuroni, formati da strati di unità matematiche collegate. Quando gli strati sono molti si parla di deep learning, o apprendimento profondo. Questo approccio ha guidato i progressi nel riconoscimento di immagini, voce e linguaggio ed è la base degli attuali modelli linguistici.
Esempi di machine learning nella vita quotidiana
Consigli su serie e prodotti, individuazione delle frodi con carta di credito, stima dei tempi di consegna nelle app, traduzione automatica, riconoscimento facciale per sbloccare il telefono e analisi delle immagini mediche.
Limiti e precauzioni
Un modello è buono quanto i dati con cui è stato addestrato. Dati incompleti o distorti producono decisioni ingiuste. Molti modelli funzionano inoltre come scatole nere difficili da spiegare, un problema per decisioni su credito, salute o lavoro. Per questo spiegabilità, verifiche indipendenti e supervisione umana sono parti essenziali di ogni progetto serio.
Per approfondire
Il machine learning dipende da dati ben preparati. Leggi la nostra guida all'analisi dei dati per capire queste basi e la guida su come funziona ChatGPT per vedere un modello linguistico all'opera.