ADOBE REAL-TIME CDP
Cos’è il machine learning?
Definizione sintetica: il machine learning è una sottocategoria dell’intelligenza artificiale (IA), un sistema che consente ai computer di svolgere le attività in modo migliore e più rapido rispetto agli esseri umani, basato su modelli le cui prestazioni migliorano man mano che acquisiscono dati.
Anche se il machine learning (ML) può sembrare una tecnologia avanzata fuori dalla portata di molti, è in realtà uno strumento sorprendentemente accessibile per numerose organizzazioni. La maggior parte delle persone, infatti, usa il ML quotidianamente, spesso senza neppure accorgersene.
Considerazioni principali:
- I modelli di ML migliorano “imparando” dal risultato di determinate decisioni.
- Il ML consta di tre aree fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento rinforzato.
- Il momento migliore per usare il ML è quello in cui si dispone di più dati di quanti gli esseri umani abbiano le risorse mentali o il tempo di esaminare.
- Il ML migliora la produttività svolgendo le attività più ripetitive tipiche del lavoro di un data analyst.
Consulta questa guida per scoprire come funziona il machine learning, i tipi di ML, i relativi pro e contro e il futuro di questa tecnologia.
Esplora le sezioni di questa pagina
Come funziona il machine learning
Tipi di machine learning
I vantaggi dell’uso di sistemi di machine learning
Gli svantaggi degli algoritmi di machine learning
In che modo le aziende stanno usando il machine learning
La storia del machine learning
Come funziona il machine learning
Il ML è un tipo di tecnologia che aiuta i sistemi informatici ad apprendere e migliorare i propri output. Il machine learning usa gli algoritmi, ossia regole per la risoluzione dei problemi, per assicurarsi che le macchine offrano soluzioni più utili.
La maggior parte dei modelli di ML si basa sull’inserimento di dati in un algoritmo. Poi, il modello cerca automaticamente gli errori nelle proprie previsioni e sfrutta esempi passati per paragonare i propri output e rilevare eventuali problemi. A quel punto un utente umano deve accettare o rifiutare questi output. Addestrare il modello di machine learning serve a fare in modo che il modello stesso diventi più efficiente e accurato nel tempo. Più i modelli di ML acquisiscono dati ed esperienza, minori sono gli interventi umani richiesti.
Il ML è simile ma diverso dall’IA. Il machine learning è il processo in cui un computer diventa più intelligente attraverso le iterazioni ripetute nel tempo. Nel caso dell’IA, però, il computer sfrutta le proprie conoscenze per svolgere attività senza l’intervento umano. La principale differenza tra queste due tecnologie è che l’IA può imitare l’intelligenza umana, mentre il ML si limita a svolgere attività in base al riconoscimento di pattern.
Tipi di machine learning
Apprendimento supervisionato
L’apprendimento supervisionato è un tipo di scienza dei dati basato sull’uso di dati etichettati con informazioni specifiche sui risultati associati a quegli stessi dati. Poi un modello viene addestrato ad apprendere le funzionalità o le variabili che predicono i risultati assegnati ai dati di input etichettati. Successivamente il modello può sfruttare le informazioni dai dati di output per valutare le proprie prestazioni e prevedere i risultati.
L’apprendimento supervisionato riguarda due casi d’uso principali: la classificazione e la regressione lineare. La classificazione predice un’etichetta di classe. Ad esempio, potresti prevedere se un cliente abbandonerà un brand in base ad attributi come il comportamento d’acquisto.
La regressione lineare predice un’etichetta numerica, come i profitti che ci si aspetta di ottenere da un cliente in base ad attributi specifici. Il risultato è una variabile numerica oppure una condizione.
Per generare output di qualità, l’apprendimento supervisionato richiede un solido modello di machine learning. Scopri come i modelli di ML influiscono sui diversi tipi di output che un computer può generare.
Apprendimento non supervisionato
L’apprendimento non supervisionato parte da un set di dati grezzi, non etichettati. Lo scopo principale dell’apprendimento non supervisionato è trovare connessioni tra il set di dati e qualsiasi altro punto dati aggiuntivo fornito al modello.
Questo metodo può aiutarti a trovare gruppi basati sulle relazioni all’interno dei dati, o cluster, che possono essere usati per creare segmenti di clienti.
Apprendimento rinforzato
L’apprendimento rinforzato inizia con l’inserimento di un set di dati grezzi, non etichettati, in un modello. Poi il modello entra in azione. In base a questo, il modello riceve dei feedback relativi alla correttezza o meno del proprio operato e ai risultati raggiunti. Poi il modello crea un’altra azione e continua ad apprendere fino a raggiungere l’ottimizzazione.
Un ottimo esempio concreto dell’apprendimento rinforzato è l’algoritmo dei consigli di un servizio di streaming come Netflix. Il servizio mostra un film che potrebbe piacerti o meno e attribuisce un punteggio in base a questo per stabilire se continuare a consigliarti lo stesso tipo di contenuti.
La storia del machine learning
Anche se il machine learning può sembrare una tecnologia moderna, in realtà è in circolazione da decenni. Il machine learning che conosciamo oggi affonda le radici negli anni ’40.
Anni ’40
Nel 1943 Warren McCulloch e Walter Pitts creano la prima rete neurale. Ciò permette ai computer di comunicare tra loro senza alcuna interazione umana.
Anni ’50
Alan Turing crea il test di Turing per stabilire se le macchine siano in grado di comportarsi come gli esseri umani. Ancora oggi gli scienziati usano il test di Turing per capire se gli umani riescono a rilevare differenze tra gli output generati dalle persone e dalle macchine.
Anni ’60
Thomas Cover e Peter Hart pubblicano l’algoritmo K-Nearest Neighbours (KNN), uno dei primi algoritmi di ML in grado di individuare pattern da una grande quantità di dati.
Anni ’70
Nel 1974 Paul Werbos scrive una tesi intitolata The Roots of Backpropagation (Le radici della retropropagazione), che apre la strada alla retropropagazione, una tecnologia che consente alle reti neurali di riconoscere i pattern in modo più accurato.
Anni ’80
Grazie all’apprendimento basato sulle spiegazioni (Explanation Based Learning, EBL) i computer sono in grado di analizzarsi e addestrarsi sui dati, ignorando quelli non importanti. Inoltre, la rete neurale artificiale NetTalk apprende la pronuncia corretta del testo in inglese.
Anni ’90
Nel 1997 l’IBM stupisce il mondo quando il suo supercomputer Deep Blue batte uno scacchista umano esperto. Ciò mostra a tutti che il machine learning potrebbe eguagliare o persino superare le prestazioni di un essere umano
Anni 2000
Torch (oggi nota come PyTorch), una libreria software gratuita, diventa la più grande piattaforma di ML su larga scala al mondo, rendendo così il machine learning molto più accessibile. Negli anni 2000 i computer imparano anche a “vedere” il testo e le immagini grazie al deep learning. .
Anni 2010
Google sviluppa Google Brain, una rete neurale profonda che categorizza automaticamente gli oggetti. Anche Facebook, Amazon e Microsoft sviluppano dei modelli di ML.
Anni 2020
A novembre 2022 ChatGPT di OpenAI ottiene un successo travolgente. Questa tecnologia ha reso il ML e l’IA accessibili alla gente comune, che si serve della tecnologia per le attività più svariate, dalla stesura di una lettera di presentazione alla scrittura di e-mail.
I vantaggi dell’uso di sistemi di machine learning
Il machine learning è una tecnologia utile per le aziende, poiché:
- Migliora la produttività. Più dell’80% dei dipendenti crede che l’IA migliori le loro prestazioni sul lavoro. Automatizzando le attività svolte normalmente dalle persone, il ML può far crescere la produttività dell’organizzazione.
- Aiuta i clienti. Le aziende usano il ML per ottimizzare i propri prodotti e semplificare così la vita dei clienti. Di fatto, il 62% dei consumatori è disposto a condividere i propri dati in cambio di una migliore esperienza.
- Riduce l’errore umano. Il ML automatizza le attività manuali in cui gli esseri umani sono inclini a commettere errori e refusi. Ciò significa che la tua organizzazione può sfruttare dati più precisi per ottenere informazioni aziendali migliori.
- Migliora la disponibilità. Tieni presente che il 51% dei consumatori si aspetta che le aziende siano disponibili 24 ore su 24, 7 giorni su 7 e implementare soluzioni di ML per la tua azienda significa essere disponibile per i clienti giorno e notte.
- Elimina il rischio. Il mancato rispetto della conformità può costare milioni alla tua azienda in termini di sanzioni e opportunità di business perdute. Fortunatamente il ML segue regole predeterminate per aiutarti a mantenere la conformità su larga scala.
- Riduce le attività ripetitive. Il ML automatizza le attività ripetitive, come l’inserimento dei dati, in modo che il personale possa concentrarsi su compiti più importanti. Il 68% dei dipendenti, infatti, vuole che più tecnologie basate sull’IA li aiutino a svolgere queste attività.
- Fa emergere le informazioni. Il ML può rivelare informazioni che spesso gli esseri umani non riescono neanche a prendere in considerazione.
Gli svantaggi degli algoritmi di machine learning
L’uso dei sistemi di machine learning comporta alcuni svantaggi, tra cui:
- Quantità di dati richiesti. Per essere efficaci i modelli di ML richiedono spesso una grande quantità di dati.
- Dimensioni di un set di dati. La dimensione e la qualità di un set di dati sono due dei fattori principali per la valutazione della qualità di un modello. Più dati hai, più tempo è necessario per etichettarli in modo accurato e usarli in metodi di apprendimento supervisionato.
- Combinazioni di tipi di dati diversi. Per consolidare un modello devi pensare ai vari tipi di dati da aggiungere al tuo set, perché stai insegnando alla macchina a prendere decisioni come farebbero gli umani.
- Potenziale pregiudizio. Un altro degli svantaggi del ML riguarda l’etica, in particolare in riferimento al deep learning. Molti di questi modelli non condividono il modo in cui prendono decisioni, quindi non hai un’idea certa dei fattori presi in considerazione. Un modello è valido solo se lo sono anche i dati di cui si nutre, ma potresti comunque non sapere quali tipi di relazioni nota il modello e se siano moralmente corrette.
- Potenziali imprecisioni. È importante ricordare che, per quanto possa offrire risultati più efficaci rispetto agli output umani, il ML non è infallibile. Se i dati o la logica presentano imprecisioni, il modello di machine learning le rifletterà.
- Costo. Se vuoi creare una soluzione di ML personalizzata per la tua azienda, devi prendere in considerazione i costi associati all’assunzione dei data scientist di cui hai bisogno per costruire e mantenere questi modelli. Le organizzazioni spendono in media 60.000-95.000 dollari nei primi cinque anni di utilizzo di un modello. Tuttavia, optare per soluzioni come Adobe Sensei consente alla tua organizzazione di compensare molti di questi costi.
Il machine learning non è perfetto, ma le aziende possono superare molti di questi svantaggi scegliendo il modello di ML giusto per gli scenari giusti.
In che modo le aziende stanno usando il machine learning
In molti casi l’implementazione degli algoritmi di ML può aiutare a semplificare e ottimizzare le risorse di un’organizzazione. Uno dei più comuni si verifica quando i big data sono troppi perché un essere umano possa passarli al vaglio, ma racchiudono informazioni importanti sulle quali potrebbero basarsi le decisioni dell’azienda.
Questo vantaggio non riguarda soltanto le aziende in ambito tecnologico: il 68% delle organizzazioni nel mondo usa il ML ed è probabile che questa percentuale continui a crescere. Poiché il machine learning è così vantaggioso, il suo utilizzo si sta espandendo rapidamente in settori diversi.
Sanità
Le aziende del settore sanitario usano il ML per elaborare molti dati dei pazienti, il tutto rispettando le leggi sulla protezione dei dati. Ad esempio, alcune organizzazioni usano il machine learning per rendere la diagnostica per immagini più accurata, in modo da rilevare le patologie negli stadi iniziali. È utile anche per individuare le frodi e gli errori e personalizzare i trattamenti.
Settore manifatturiero
Un maggior numero di aziende produttrici sta iniziando a usare il ML per svolgere una manutenzione preventiva più intelligente. Anziché sprecare tempo e denaro nella manutenzione di macchinari che ancora non ne hanno bisogno, i produttori si affidano al machine learning per analizzare le tendenze dei dati e ottimizzarla.
Questo, comunque, non è l’unico modo in cui i produttori usano il machine learning, in quanto sfruttano questa tecnologia anche per gestire i veicoli autonomi e semiautonomi presenti nelle proprie strutture.
Intrattenimento
Hai un account Netflix? Se la risposta è sì, hai già visto il ML in azione. Questo servizio di streaming usa il machine learning per personalizzare le miniature, consigliare film e serie TV e ottimizzare la qualità dello streaming.
Marketing
Immagina che il tuo team di marketing stia controllando nuovi dati da diversi segmenti di clienti. È difficile passare in rassegna i diversi attributi dei clienti per individuare i segmenti ad alte prestazioni o fare un confronto tra le preferenze del segmento di clienti A rispetto al segmento di clienti B.
Vista la quantità di dati disponibili, è improbabile che il tuo team di marketing abbia le risorse mentali necessarie per elaborarli tutti e trarne informazioni utili. Questa è una delle attività che il ML può svolgere meglio e più velocemente rispetto agli esseri umani.
Servirsi dell’automazione del machine learning può consentirti di ottenere informazioni predittive che altrimenti il tuo team avrebbe rischiato di non rilevare autonomamente.
Finanza
I robo-consulenti sono sempre più diffusi nel mondo della finanza. Ad esempio, servizi come Wealthfront usano il machine learning e l’intelligenza artificiale per automatizzare la gestione del portfolio per gli utenti. Ciò riduce la quantità di tempo che le aziende finanziarie destinano alla gestione degli investimenti dei clienti, continuando comunque a offrire il vantaggio degli investimenti gestiti.
Offri customer experience incredibili con il machine learning.
Hai bisogno di una segmentazione e di una personalizzazione migliori con il machine learning (ML)? Adobe Real-Time CDP può esserti d’aiuto.
Articoli consigliati
https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp
