10 casi d'uso quotidiani di machine learning
16 ottobre 2023
Tempo di lettura: 6 minuti

Il Machine learning (ML)—il sottocampo dell'intelligenza artificiale (AI) in cui le macchine imparano dai set di dati e dalle esperienze passate riconoscendo modelli e generando previsioni — è un settore globale da 21 miliardi di dollari che si prevede diventi un settore da 209 miliardi di dollari (link esterno a ibm.com) entro il 2029. Ecco alcune applicazioni reali del machine learning che sono diventate parte della nostra vita quotidiana.

Il machine learning nel marketing e nelle vendite

Secondo Forbes (link esterno a ibm.com), i team di marketing e vendite danno priorità all'AI e al ML più di qualsiasi altro reparto aziendale. Gli esperti di marketing utilizzano il ML per la generazione di lead, l'analisi dei dati, le ricerche online e l'ottimizzazione per i motori di ricerca (SEO). Ad esempio, molti lo utilizzano per contattare gli utenti che lasciano i prodotti nel carrello o che escono dal sito web.

Gli algoritmi di ML e la data science sono il modo in cui i motori di raccomandazione di siti come Amazon, Netflix e StitchFix forniscono consigli in base ai gusti, alla navigazione e alla cronologia del carrello degli acquisti dell'utente. Il ML aiuta anche a promuovere iniziative di marketing personalizzate identificando le offerte che potrebbero soddisfare gli interessi di un cliente specifico. Poi, può personalizzare i materiali di marketing in base a tali interessi. Il machine learning offre inoltre la possibilità di monitorare attentamente una campagna, verificando, tra le altre metriche, i tassi di apertura e di clic.

Casi d'uso del servizio clienti

Il machine learning non solo è in grado di capire cosa dicono i clienti, ma capisce anche il loro tono e può indirizzarli verso gli operatori del servizio clienti più idonei per ricevere supporto. Le query vocali utilizzano l'elaborazione naturale del linguaggio (NLP) e l'analisi del sentiment per il riconoscimento vocale.

Le query basate su testo sono solitamente gestite da chatbot, agenti virtuali che la maggior parte delle aziende fornisce sui propri siti di e-commerce. Questi chatbot assicurano che i clienti non debbano aspettare, e anche un numero elevato di clienti simultanei può ricevere un'attenzione immediata 24 ore su 24 e, si spera, un'esperienza cliente più positiva. Una banca che utilizza un sistema watsonx Assistant per l'assistenza clienti ha trovato che il chatbot ha risposto al 96% di tutte le domande dei clienti in modo corretto, rapido, coerente e in più lingue.

Le aziende utilizzano il ML per monitorare i social media e altre attività per le risposte e le recensioni dei clienti. Il ML aiuta anche le aziende a prevedere e ridurre il tasso di abbandono dei clienti (la velocità con cui un'azienda perde clienti), un uso diffuso dei big data.

Assistenti personali e assistenti vocali

È il ML che alimenta le attività svolte dagli assistenti personali virtuali o dagli assistenti vocali, come Alexa di Amazon e Siri di Apple. Questa comunicazione può comportare il riconoscimento vocale, la conversione da voce a testo, l'elaborazione del linguaggio naturale (NLP) o la sintesi vocale. Quando qualcuno pone una domanda a un assistente virtuale, il ML cerca la risposta o ricorda domande simili che la persona ha posto in precedenza.

Il ML è anche alla base dei bot di messaggistica, come quelli utilizzati da Facebook Messenger e Slack. Su Facebook Messenger, il ML alimenta i chatbot del servizio clienti. Le aziende creano chatbot per garantire risposte rapide, fornire serie di immagini e pulsanti di invito all'azione, aiutare i clienti a trovare opzioni nelle vicinanze o tracciare le spedizioni e consentire acquisti sicuri. Facebook utilizza il ML anche per monitorare le chat di Messenger alla ricerca di truffe o contatti indesiderati, ad esempio quando un adulto invia una grande quantità di richieste di amicizia o messaggi a persone di età inferiore ai 18 anni.

In Slack, il machine learning potenzia l'elaborazione video, la trascrizione e i sottotitoli in tempo reale che sono facilmente ricercabili per parola chiave, e aiuta persino a prevedere il potenziale turnover dei dipendenti. Alcune aziende hanno anche configurato chatbot su Slack, utilizzando il ML per rispondere a domande e richieste.

Filtraggio e-mail

Gli algoritmi di ML in Gmail di Google automatizzano il filtraggio delle e-mail dei clienti nelle categorie Principale, Social e Promozioni, rilevando e reindirizzando lo spam in una cartella spam. Andando oltre le "regole" delle app di posta elettronica, gli strumenti di machine learning possono anche automatizzare la gestione della posta elettronica classificando le e-mail per indirizzarle alle persone giuste in modo da consentire un'azione più rapida, spostando gli allegati nel posto giusto e altro ancora. Ad esempio, gli strumenti di automazione della gestione delle email come Levity (link esterno a ibm.com) utilizzano il machine learning per identificare e classificare le e-mail man mano che arrivano utilizzando algoritmi di classificazione del testo. Ciò consente di creare risposte personalizzate in base alla categoria, risparmiando tempo, e tale personalizzazione può aiutare a migliorare il tasso di conversione.

Casi d'uso del machine learning e della cybersecurity

Esistono quattro modi in cui il ML viene utilizzato nella cybersecurity:

  1. L'apprendimento automatico (ML) e il riconoscimento facciale vengono utilizzati nei metodi di autenticazione per proteggere la sicurezza di un'azienda.
  2. I programmi antivirus possono utilizzare le tecniche di AI e ML per rilevare e bloccare il malware. 
  3. L'apprendimento per rinforzo utilizza il ML per addestrare i modelli a identificare e rispondere agli attacchi informatici e rilevare le intrusioni.
  4. Gli algoritmi di classificazione ML vengono utilizzati anche per etichettare gli eventi come frodi, classificare gli attacchi di phishing e altro ancora.
Il machine learning nelle transazioni finanziarie

L'apprendimento automatico (ML) e il deep learning sono ampiamente utilizzati nel settore bancario, ad esempio nel rilevamento delle frodi. Banche e altre istituzioni finanziarie addestrano modelli di ML per riconoscere transazioni online sospette e altre transazioni atipiche che richiedono ulteriori indagini. Le banche e gli altri istituti di credito utilizzano algoritmi di classificazione e modelli predittivi di ML per determinare a chi offriranno prestiti.

Molte transazioni del mercato azionario utilizzano l'apprendimento automatico (ML). L'AI e il ML utilizzano decenni di dati sul mercato azionario per prevedere le tendenze e suggerire se acquistare o vendere. Il ML può anche effettuare trading algoritmico senza l'intervento umano. Circa il 60-73% del commercio sul mercato azionario (link esterno a ibm.com) è condotto da algoritmi in grado di operare ad alto volume e velocità. Gli algoritmi di ML possono prevedere modelli, migliorare la precisione, ridurre i costi e ridurre il rischio di errore umano.

L'organizzazione tecnologica senza scopo di lucro Change Machine ha collaborato con IBM per creare un motore di raccomandazione alimentato dall'AI utilizzando IBM® Cloud Pak for Data, che aiuta gli allenatori finanziari a trovare prodotti fintech più adatti agli obiettivi dei propri clienti. "L'impegno con IBM ci ha insegnato come sfruttare i nostri dati in modi nuovi e come costruire un framework per la creazione e la gestione di modelli di machine learning", ha dichiarato David Bautista, Director of Product Development di Change Machine.

Il machine learning nel settore sanitario

Gli sviluppi del machine learning hanno portato all'addestramento delle macchine al riconoscimento di schemi, che ora viene talvolta utilizzato nell'imaging radiologico. La visione artificiale basata sull'intelligenza artificiale (link esterno a ibm.com) viene spesso utilizzata per analizzare le mammografie e per lo screening precoce del cancro ai polmoni. I medici che valutano la mammografia per il cancro al seno non individuano il 40% (link esterno a ibm.com) dei tumori, e l'apprendimento automatico (ML) può migliorare questa percentuale. Il ML viene inoltre utilizzato per classificare i tumori, individuare fratture ossee difficili da vedere a occhio nudo e rilevare disturbi neurologici.

Il ML viene talvolta utilizzato per esaminare le cartelle cliniche dei pazienti e i risultati per creare nuovi piani terapeutici. Nella ricerca genetica, nella modificazione genica e nel sequenziamento del genoma, il ML viene utilizzato per identificare l'impatto dei geni sulla salute. Il ML può identificare marcatori genetici e geni che risponderanno o meno a un trattamento o a un farmaco specifico e potrebbero causare effetti collaterali significativi in alcune persone. Queste analisi avanzate possono portare a raccomandazioni personalizzate su farmaci o trattamenti basate sui dati.

La scoperta e la produzione di nuovi farmaci, che tradizionalmente passano attraverso test impegnativi, costosi e lunghi, possono essere accelerate grazie al ML. Pfizer (link esterno a ibm.com) utilizza le funzionalità di ML di IBM Watson per scegliere i candidati migliori per le sperimentazioni cliniche nella sua ricerca immuno-oncologica. Geisinger Health System utilizza l'AI e il ML sui suoi dati clinici per aiutare a prevenire la mortalità per sepsi. Lavorano con il team Data Science and AI Elite di IBM per costruire modelli che prevedano quali pazienti sono a maggior rischio di sepsi, il che li aiuta a dare priorità alle cure, ridurre i ricoveri ospedalieri rischiosi e costosi e diminuire il tasso di mortalità per sepsi.

Il machine learning e il settore dei trasporti

Al giorno d'oggi, l'apprendimento automatico (ML) fornisce numerose informazioni per nostri spostamenti. Ad esempio, Google Maps utilizza algoritmi di machine learning per verificare le condizioni attuali del traffico, determinare il percorso più veloce, suggerire luoghi da "esplorare nelle vicinanze" e stimare gli orari di arrivo.

Le applicazioni di ride-sharing come Uber e Lyft utilizzano l'apprendimento automatico (ML) per abbinare utenti e conducenti, impostare i prezzi, esaminare il traffico e, come Google Maps, analizzare le condizioni del traffico in tempo reale per ottimizzare l'itinerario e prevedere un orario di arrivo stimato.

La computer vision alimenta le auto a guida autonoma. Un algoritmo di ML non supervisionato consente alle auto a guida autonoma di raccogliere dati da telecamere e sensori per capire cosa sta accadendo intorno a loro e permette di prendere decisioni in tempo reale sulle azioni da intraprendere.

Il machine learning negli smartphone

Il ML alimenta gran parte di ciò che accade con i nostri smartphone. Gli algoritmi di ML governano il riconoscimento facciale su cui facciamo affidamento per accendere i nostri telefoni cellulari. Inoltre, alimentano gli assistenti vocali che impostano allarmi e compongono messaggi. Questi assistenti includono Siri di Apple, Alexa di Amazon, Google Assistant e Cortana di Microsoft, che utilizzano l'elaborazione del linguaggio naturale (NLP) per riconoscere ciò che diciamo e rispondere in modo appropriato.

Le aziende sfruttano il ML anche nelle fotocamere degli smartphone. Il ML analizza e migliora le foto utilizzando classificatori di immagini, rileva oggetti (o volti) nelle immagini e può persino utilizzare reti neurali artificiali per migliorare o espandere una foto prevedendo cosa si trova oltre i suoi bordi.

Il machine learning e le app

Al giorno d'oggi assistiamo a un uso massiccio del ML sulle piattaforme dei social media

  • I social media, come Facebook, automatizzano i suggerimenti di tagging degli amici utilizzando il rilevamento facciale e il riconoscimento delle immagini basati sul ML per identificare un volto nel loro database. Quindi, suggerisce all'utente dei social media di taggare quell'individuo.
  • LinkedIn utilizza il ML per filtrare gli elementi in un newsfeed, formulare raccomandazioni sull'occupazione e suggerire a qualcuno di connettersi con gli altri.
  • Spotify utilizza modelli di ML per generare i suoi consigli sui brani.
  • Google Translate utilizza l'elaborazione del linguaggio naturale (NLP) per tradurre le parole in più di 130 lingue. In alcune lingue, può fornire traduzioni tramite foto, voce in "modalità conversazione" e immagini video live utilizzando la modalità di realtà aumentata.

L'intelligenza artificiale può aiutare a definire strategie, modernizzare, creare e gestire anche le applicazioni esistenti, portando a una maggiore efficienza e creando opportunità di innovazione. La contea di Sonoma, in California, si è rivolta con IBM per abbinare i cittadini senzatetto alle risorse disponibili in un sistema integrato chiamato ACCESS Sonoma. "Poiché IBM ha progettato questa architettura aperta che letteralmente poteva essere sollevata e spostata, abbiamo caricato 91.000 clienti e li abbiamo collegati in quattro sistemi chiave in quattro mesi", ha dichiarato Carolyn Staats, Director of Innovation, Sonoma County Central IT. "È una tempistica incredibile". Hanno collocato il 35% dei senzatetto in alloggi, una cifra quattro volte superiore al tasso nazionale, e in due anni la contea ha ridotto il numero di senzatetto del nove percento.

Il machine learning e IBM

In IBM, stiamo combinando la potenza di ML e AI in IBM watsonx, il nostro nuovo studio per foundation model, AI generativa e ML.al

watsonx è una piattaforma di nuova generazione di dati e AI creata per aiutare le organizzazioni a moltiplicare la potenza dell'AI per le aziende. La piattaforma ha tre componenti potenti: lo studio watsonx.ai per nuovi foundation model, AI generativa e ML; il negozio fit-for-purpose watsonx.data per la flessibilità di un data lake e le prestazioni di un data warehouse; infine il toolkit watsonx.governance per consentire workflow di AI realizzati con responsabilità, trasparenza e spiegabilità.

Insieme, watsonx offre alle organizzazioni la possibilità di:

  1. Addestrare, ottimizzare e implementare l'intelligenza artificiale in tutta l'azienda con watsonx.ai
  2. Scalare i workload dell'AI ovunque, per tutti i dati, con watsonx.data
  3. Consentire workflow di AI responsabili, trasparenti e spiegabili con watsonx.governance
 
Autore
IBM Data and AI Team