Cos'è il machine learning?

Il machine learning è una forma di AI che permette a un sistema di imparare dai dati piuttosto che attraverso la programmazione esplicita. Tuttavia, il machine learning non è un processo semplice. Poiché gli algoritmi assimilano i dati di addestramento, è possibile produrre modelli più precisi basati su tali dati. Un modello di machine learning è l'output generato quando si addestra l'algoritmo di machine learning con i dati. Dopo l'addestramento, quando si fornisce un input a un modello, verrà generato un output. Ad esempio, un algoritmo predittivo creerà un modello predittivo. Poi, quando si forniscono i dati al modello predittivo, si riceverà una previsione basata sui dati che hanno addestrato il modello.

Immagine del machine learning

Apprendimento iterativo

Il machine learning consente ai modelli di addestrarsi sui dataset prima di essere distribuiti. Alcuni modelli di machine learning sono online e continui. Questo processo iterativo dei modelli online porta ad un miglioramento dei tipi di associazioni effettuate tra gli elementi di dati. A causa della loro complessità e portata, tali modelli e associazioni avrebbero potuto facilmente essere ignorati dall'osservazione umana. Dopo che un modello è stato addestrato, può essere utilizzato in tempo reale per l'apprendimento dai dati. I miglioramenti dell'accuratezza sono il risultato del processo formativo e dell'automazione che fanno parte del machine learning.

I big data nell'ambito del machine learning

Il machine learning richiede che venga applicata la serie corretta di dati a un processo di apprendimento. Un'organizzazione non deve necessariamente disporre di big data per utilizzare le tecniche di machine learning; tuttavia, i big data possono contribuire a migliorare la precisione dei modelli di machine learning. Con i big data, è ora possibile virtualizzare i dati in modo che possano essere memorizzati nel modo più efficiente ed economicamente conveniente possibile, sia on-premise che nel cloud. Inoltre, i miglioramenti della velocità di rete e dell'affidabilità hanno rimosso altre limitazioni fisiche associate alla gestione di enormi quantità di dati a una velocità accettabile. Aggiungi a tutto questo l'impatto dei cambiamenti del prezzo e della sofisticatezza della memoria del computer ed è ora possibile immaginare come le aziende possano sfruttare i dati in modi che sarebbero stati inconcepibili solo cinque anni fa.

Approcci al machine learning

Le tecniche di machine learning sono necessarie per migliorare l'accuratezza dei modelli predittivi. A seconda della natura del problema aziendale che si deve affrontare, ci sono approcci diversi basati sul tipo e sul volume dei dati. In questa sezione parleremo delle categorie di machine learning.

Apprendimento supervisionato

L'apprendimento supervisionato generalmente inizia con una serie stabilita di dati e una certa comprensione di come i dati siano classificati. L'apprendimento supervisionato è destinato a trovare modelli nei dati che possono essere applicati a un processo di analytics. Questi dati hanno funzioni etichettate che definiscono il significato dei dati. Ad esempio, è possibile creare un'applicazione di machine learning che distingua tra milioni di animali, sulla base di immagini e descrizioni scritte.

Apprendimento non supervisionato

L'apprendimento non supervisionato viene utilizzato quando il problema richiede una quantità enorme di dati non etichettati. Ad esempio, le applicazioni di social media, come Twitter, Instagram e Snapchat, hanno tutti grandi quantità di dati non etichettati. Capire il significato dietro a questi dati richiede algoritmi che classificano i dati in base ai modelli o ai cluster rilevati. L'apprendimento non supervisionato conduce un processo iterativo, che analizza i dati senza intervento umano. Viene utilizzato con la tecnologia di rilevamento di spam nelle email. Ci sono troppe variabili nelle email spam e nelle email legittime per far sì che un analista riesca a taggare un certo volume di email indesiderate. Invece, i classificatori di machine learning, basati sul clustering e l'associazione, vengono applicati per identificare le email non desiderate.

Apprendimento per rinforzo

L'apprendimento per rinforzo è un modello di apprendimento comportamentale. L'algoritmo riceve un feedback dall'analisi dei dati, guidando l'utente al miglior risultato. L'apprendimento per rinforzo differisce dagli altri tipi di apprendimento supervisionato, perché il sistema non è addestrato con il dataset di esempio. Piuttosto, il sistema impara attraverso la prova e l'errore. Quindi, una sequenza di decisioni di successo determinerà il rafforzamento del processo, perché riesce subito a risolvere il problema al meglio.

Deep learning

Il deep learning è un metodo specifico di machine learning che incorpora reti neurali in strati successivi per imparare dai dati in modo iterativo. Il deep learning è particolarmente utile quando si cerca di apprendere i modelli da dati non strutturati. Le reti neurali di deep learning complesse sono progettate per imitare il funzionamento del cervello umano, quindi i computer possono essere addestrati per gestire problemi e questioni scarsamente definiti. Il bambino di cinque anni in media può riconoscere facilmente la differenza tra il volto del suo insegnante e il volto del sorvegliante per l'attraversamento. Al contrario, il computer deve fare un sacco di lavoro per capire chi è chi. Le reti neurali e il deep learning sono spesso utilizzati nelle applicazioni di riconoscimento delle immagini, di linguaggio e di visione artificiale.

Grafico per Machine Learning

Come applicare il machine learning alle esigenze di business

Il machine learning offre un valore potenziale alle aziende che cercano di sfruttare i big data e le aiuta a capire meglio i sottili cambiamenti del comportamento, delle preferenze o della soddisfazione del cliente. I business leader stanno iniziando a riconoscere che non tutto ciò che accade all'interno delle loro organizzazioni e settori può essere compreso mediante una query. Non sono le problematiche che già si conoscono, bensì i modelli nascosti e le anomalie sepolte nei dati che possono aiutare o mettere in difficoltà.

Come far convergere tutti questi elementi

Il vantaggio del machine learning è che è possibile sfruttare algoritmi e modelli per prevedere i risultati. Il trucco è assicurarsi che i data scientist utilizzino gli algoritmi giusti durante il lavoro, includendo i dati più appropriati (che sono precisi e puliti) e utilizzando i migliori modelli di esecuzione. Se tutti questi elementi si riuniscono, è possibile addestrare continuamente il modello e imparare dai risultati apprendendo dai dati. L'automazione di questo processo di creazione, addestramento e test del modello porta a previsioni accurate per sostenere il cambiamento di business.

Intelligenza artificiale

Prodotti

IBM Watson Studio

Una soluzione di cloud pubblico, privato oppure on-premise che fornisce una piattaforma di machine learning collaborativa che consente ai team di esplorare, creare un modello e implementare le soluzioni di dati, utilizzando gli strumenti open-source di punta.

IBM Machine Learning per z/OS

Una soluzione di machine learning on-premise che estrae il valore nascosto dai dati aziendali. Acquisisci e trasforma rapidamente i dati per creare, implementare e gestire modelli di autoapprendimento ad alta precisione, utilizzando i dati di IBM z Systems ®.

IBM SPSS® Modeler

Una piattaforma grafica di analytics per gli utenti di tutti i livelli di competenza per implementare gli insight in modo scalabile con una vasta gamma di algoritmi e funzionalità, ad esempio l'analytics del testo, l'analisi geospaziale e l'ottimizzazione.

IBM Watson Explorer

Una piattaforma di ricerca cognitive e di analytics dei contenuti basata sul machine learning che fornisce agli utenti l'accesso a insight utili provenienti da tutti i dati e che consente di ottenere risultati di business migliori.

Case study

Ahus ottiene nuovi insight con Watson Explorer per garantire una salute di alta qualità

Akershus University Hospital (Ahus) sta utilizzando Watson Explorer, insieme con il partner Capgemini, per analizzare migliaia di referti radiologici per confermare che i team stanno seguendo le migliori best practice, aiutando a mantenere elevati standard di assistenza sanitaria.

L'analytics dei contenuti in tempo reale aiuta i call center ad assistere i clienti in modo efficace

Mizuho Bank Ltd. ha relazioni efficienti con i clienti e riduce il tempo di gestione dei clienti con l'ausilio delle funzionalità di elaborazione del linguaggio naturale in tempo reale di IBM Watson Explorer.

Risorse

Inizia un tour guidato per scoprire come creare un modello di machine learning per prevedere l'abbandono dei clienti in IBM Watson Studio

Scopri altri tutorial di applicazioni di deep learning e machine learning

Inizia la tua versione di prova di Watson Studio ora, gratuitamente