Introduzione all’intelligenza artificiale: cos’è il machine learning

Rubrica Ai Art 4

Nel corso dei primi tre appuntamenti della nostra rubrica dedicata al mondo dell’Intelligenza Artificiale, abbiamo avuto modo di introdurre i principali concetti che hanno contraddistinto gli esordi di questa disciplina caratterizzandone studio e dispute teoriche. Grazie a tali basi, sarà possibile adesso approfondire diversi aspetti che ci consentiranno di comprendere meglio il reale funzionamento dell’Intelligenza Artificiale e le sue applicazioni.

In questo articolo, dunque, affronteremo più da vicino uno degli ambiti più interessanti da approfondire: il machine learning. Insieme cercheremo di comprendere cos’è, in che modo funziona e come, soprattutto, stia diventando un elemento centrale nella vita di tutti i giorni, trovando numerose applicazioni, come nel caso della nostra piattaforma di I.A. per la gestione della Smart Home: Momo OS.

Che cos’è il machine learning

Ciò che caratterizza l’Intelligenza Artificiale sia da un punto di vista tecnologico che metodologico è il modello di apprendimento attraverso il quale l’intelligenza diviene abile in uno specifico compito o azione. In base ai diversi modelli di apprendimento utilizzati nello sviluppo di un sistema di machine learning è possibile distinguere diverse classificazioni degli algoritmi. Tali metodi, profondamente diversi da loro, differiscono non soltanto per la tipologia di algoritmo utilizzato ma anche e soprattutto per gli scopi per cui sono realizzate le stesse macchine. In base a questa distinzione, è quindi possibile individuare tre differenti sistemi di apprendimento automatico: supervisionato, non supervisionato o per rinforzo.

Apprendimento supervisionato

L’apprendimento supervisionato consiste nel fornire alla macchina una serie di nozioni specifiche e codificate, che permettono di costruire un vero e proprio database di informazioni ed esperienze. In questo modo, quando la macchina si trova davanti ad un problema potrà attingere alle informazioni contenute all’interno del proprio database, analizzarle, e decidere quale risposta dare sulla base delle esperienze precedentemente codificate. La macchina, quindi, in questo caso deve “semplicemente” scegliere quale sia la migliore risposta in suo possesso come risposta allo stimolo individuato. Questa forma di apprendimento viene impiegato in diversi settori, da quello medico a quello di identificazione vocale: attraverso ipotesi induttive, ossia ipotesi che possono essere ottenute scansionando una serie di problemi specifici al fine di ottenere una soluzione idonea ad un problema di tipo generale.

Apprendimento non supervisionato

Questa metodologia di apprendimento prevede che le informazioni inserite all’interno della macchina non siano state precedentemente codificate, conferendo quindi alla macchina la possibilità di individuare le informazioni senza avere alcun esempio pregresso del loro utilizzo e senza disporre quindi di una conoscenza dei risultati attesi a seconda della scelta effettuata. Sarà quindi la stessa macchina a catalogare tutte le informazioni in proprio possesso, organizzarle, imparare il loro significato, il possibile impiego ed effettuare la previsione del risultato atteso. Come risulta evidente, l’apprendimento non supervisionato garantisce maggiore libertà di scelta alla macchina, a cui spetterà dunque il compito di organizzare le informazioni in maniera intelligente ed imparare quali siano i risultati migliori sulla base dei diversi contesti operativi in cui si trova ad agire.

Apprendimento per rinforzo

L’apprendimento per rinforzo rappresenta il metodo più complesso, poiché prevede che la macchina sia dotata di sistemi e strumenti in grado di migliorare il proprio apprendimento e, soprattutto, di comprendere le caratteristiche dell’ambiente all’interno del quale è chiamata ad operare. In tal caso, quindi, alla macchina vengono forniti numerosi strumenti di supporto come ad esempio: sensori, telecamere, ecc. ecc. che consentono al sistema di rilevare ciò che avviene nell’ambiente circostante così da poter effettuare scelte per un migliore adattamento all’ambiente. Si tratta di un metodo di apprendimento oggi molto impiegato. L’esempio più evidente è quello dell’auto senza pilota che grazie ad un complesso sistema di sensori di supporto è in grado di percorrere strade cittadine e non, riconoscendo eventuali ostacoli, seguendo le indicazioni stradali e molto altro. Si tratta di un’intelligenza “adattiva” che in Morpheos abbiamo impiegato nello sviluppo dell’Intelligenza Artificiale della nostra piattaforma Momo OS,  in grado di apprendere le abitudini degli utenti, adeguando il proprio comportamento sulla base del contesto ambientale e dell’esigenze degli utenti.

 

A presto, con un nuovo appuntamento della nostra rubrica dedicata all’affascinante mondo dell’intelligenza artificiale.