Spesso sentiamo parlare di Machine Learning, ma non sapremo darne una definizione. Cerchiamo di capirne qualcosa in più.

Machine learning: un po’ di storia

Per quanto possa sembrare che il machine learning sia una disciplina di recente introduzione, in realtà se ne parla e la si studia già dagli anni ’50. Alcuni scienziati, tra i quali Alan Turing uno dei padri dell’automazione, affermavano che la macchina è in grado di apprendere dai dati.

Già dagli anni ’50 si è cercato di sviluppare modelli in grado di poter essere di supporto alle attività umane. Tra i principali campi di sperimentazione vi era quello medico che, ad oggi, ha compiuto dei notevoli passi in avanti come vedremo tra poco.

Deep Learning e riconoscimento delle immagini

Il Machine Learning o apprendimento automatico si sviluppa grazie allo studio dell’intelligenza artificiale. Tramite la raccolta di dati la macchina è in grado di sviluppare ragionamenti induttivi, cioè riesce a fare esperienza del passato al fine di affrontare autonomamente problemi nuovi.

Negli ultimi anni la sperimentazione ha visto un enorme interesse nei confronti del riconoscimento delle immagini e, di conseguenza, del riconoscimento facciale.

Per fare un esempio nella vita quotidiana di ognuno di noi, sappiamo che il nostro smartphone, nella maggior parte dei casi, ci permette di togliere il blocco schermo attraverso il riconoscimento del nostro volto. Questo è frutto del machine learning.

Come possiamo vedere nell’immagine, ci sono otto fotografie. Ognuna di esse rappresenta un’immagine complessa. Al di sotto di ogni immagine troviamo l’etichetta attribuita dagli scienziati e, nella tabella sottostante ad ogni etichetta, cinque parole chiave proposte dalla macchina dopo aver analizzato i dati.

Possiamo notare che i risultati sono stupefacenti. Da notare che si tratta di un’immagine che presenta i risultati del 2012.

Negli anni seguenti, fino ad oggi, sono notevoli i passi in avanti compiuti. Notevoli e sbalorditivi. Vediamoli nell’immagine seguente.

Dal grafico possiamo notare, sull’asse y, quello verticale, la percentuale di errore della macchina nell’interpretare le immagini nel corso degli anni, riportati sull’asse x. La linea rossa rappresenta la percentuale di errore dell’essere umano, nell’interpretare le immagini.

E’ interessante notare che dal 2012 la percentuale di errore della macchina nell’interpretare le immagini è notevolmente calata. Questo è dovuto all’introduzione delle reti neurali convoluzionali che hanno fatto compiere notevoli passi in avanti nel campo del machine learning. Infatti, negli anni seguenti la percentuale di errore è andata, mano a mano, calando.

Il punto di svolta molto interessante si è avuto nel 2015, anno in cui la percentuale di errore della macchina è risultata inferiore a quella dell’uomo.

In pratica, ad oggi, una macchina riesce ad interpretare con maggior accuratezza un’immagine rispetto ad un essere umano. Sbalorditivo, no?

Quali sono i campi di applicazione del Machine Learning?

Qualcuno di voi starà pensando: “E’ tutto molto bello, ma tutti questi studi solo per sbloccare lo smartphone?”. In realtà gli utilizzi del machine learning sono molteplici ed un solo post non è sicuramente in grado di soddisfare la spiegazione dell’argomento, ma, in realtà, il deep learning è utilissimo in campo medico.

Nel campo della dermatologia, per esempio, la maggior parte delle analisi consistono nella giusta elaborazione di immagini. Si è magari verificato un rush cutaneo ed il medico ne analizza forma, consistenza ed estensione al fine di capire a cosa è dovuto. Ad oggi, come abbiamo visto, una macchina è in grado di identificare il problema con maggiore accuratezza rispetto ad un essere umano.

Logicamente quello medico non è il solo ambito ad essere coinvolto. Per restare in tema con il blog, ad esempio, si può pensare ai sistemi di Revenue Management. Tramite il machine learning e l’analisi predittiva si riescono ad avere a disposizione dati utilissimi alla definizione delle tariffe di un albergo.

Ad oggi esistono sul mercato software in grado di analizzare lo storico dei dati della struttura, le tariffe dei concorrenti ed altri fattori e, combinandoli insieme, restituirci una strategia di vendita efficace.

Mi fermo qui con questa breve introduzione all’argomento. Se hai domande o curiosità non esitare a scrivermi.