Ormai è cosa comune, quando si naviga su Internet, trovare dei banner che rimandano ad argomenti, notizie o oggetti di nostro interesse. Molti ancora si domandano come questo sia possibile. Impropriamente si sente parlare di «algoritmi che studiano i gusti del pubblico». Il termine corretto è, invece, machine learning. Si tratta di un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano.
Attualmente gli algoritmi di machine learning vengono utilizzati ovunque. Ogni volta che navighiamo su internet e compiamo delle scelte (siano esse una ricerca su Google, un like su una pagina Facebook o semplicemente un acquisto su Amazon o un altro shop online) i sopracitati algoritmi si attivano per rendere la nostra esperienza di navigazione più coinvolgente e piacevole.
Ma come funziona tecnicamente il machine learning?
I tre tipi principali di machine learning
L’idea che sta alla base del machine learning è che i sistemi possano imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo. Da questo punto di vista, l’aspetto fondamentale da tenere presente è quello della ripetitività. Ciò significa che più i modelli sono esposti ai dati, più sono in grado di adattarsi in modo autonomo.
Vi sono tre tipi diversi di machine learning.
- Vi è anzitutto il supervised learning. Questo agisce in base all’attività. Ciò significa che l’algoritmo prevede il comportamento di un agente, utilizzando l’esperienza del passato.
- Vi è poi il unsupervised learning che agisce in base ai dati. L’algoritmo, quindi, individua similitudini e strutture nascoste all’interno dei dati.
- Infine, abbiamo il reinforcement learning che agisce in base all’ambiente. In questo caso l’algoritmo impara a reagire all’ambiente e a tenere comportamenti intelligenti.
Il supervised learning è lo strumento che viene utilizzato in particolar modo nell’e-commerce e sulle piattaforme. Un esempio di supervised learning è il reccomendation system.
Reccomendation System
I recommendation systems sono quei sistemi che riescono a prevedere le preferenze degli utenti, imparando dalla loro condotta. In questo modo sono in grado di consigliare prodotti in base alle loro preferenze. Questi sono i sistemi utilizzati nei casino online stranieri e europei per suggerire delle slot online agli utenti, negli e-commerce e in tutti i siti internet e social network per visualizzare annunci a cui il consumatore è più ricettivo.
Non solo: è utilizzato anche da piattaforme di streaming video o audio. Basti pensare a YouTube. Ogni volta che noi ascoltiamo una canzone, il sistema memorizza la nostra preferenza, proponendoci canzoni dello stesso cantante o gruppo, ma anche dello stesso genere musicale.
Il vantaggio di questo tipo di sistema è quello di mettere il contatto l’utente con un ventaglio di possibili oggetti di suo gradimento. In questo modo l’utente è incoraggiato a ritornare sulla piattaforma, poiché sa che questa ha prodotti a lui graditi. Si tratta dunque di una strategia win-win poiché il provider del servizio guadagna traffico mentre il cliente beneficia di una user experience creata appositamente per lui.
Quali sono i campi futuri di applicazione del machine learning?
Una delle sfide più complesse sarà permettere un apprendimento automatico efficiente anche quando il volume di dati è minore. Infatti, attualmente il machine learning per essere efficiente ha bisogno di un enorme quantità di dati. Rendere le sue capacità predittive funzionanti anche con pochi dati, aprirebbe a tutta una serie di applicazioni in campo scientifico e medico.
Ad esempio, ad oggi il machine learning supervisionato è utilizzato anche per previsione del diabete mellito di tipo 2 in ambito sanitario. Ciò è reso possibile grazie ad un modello predittivo che identifica correlazioni tra i diversi fattori di rischio che portano allo sviluppo di tale patologia. Ciò significa, non solo riuscire a prevedere quanti potenziali pazienti ci saranno tra un anno con questa malattia, ma anche organizzare e gestire al meglio le strutture ospedaliere in relazione a tale previsione.
Se si riuscisse a ottenere i medesimi risultati con meno dati si potrebbero ad esempio offrire ai pazienti affetti da tumore che non sono risultati idonei alla cura standard una possibilità di cura alternativa, che fino ad oggi era esclusa.
Si può quindi concludere dicendo che il machine learning è il vero futuro dell’Intelligenza Artificiale e che dal suo sviluppo dipendono molti dei progressi che tutti attendono.
