L'intelligenza artificiale (AI) è un campo delle scienze informatiche dedicato alla risoluzione di problemi cognitivi comunemente associati all'intelligenza umana, ad esempio l'apprendimento, la risoluzione di problemi e il riconoscimento di pattern. L'intelligenza artificiale, comunemente abbreviata in "AI", spesso richiama scenari futuristici e di robotica, ma non si applica solamente agli automi dei romanzi fantascientifici ed è già oggi una scienza informatica avanzata. Il professor Pedro Domingos, un importante ricercatore in questo campo, descrive le "cinque tribù" del machine learning: i simbolisti, che traggono ispirazione dalla logica e dalla filosofia; i connettivisti, che si basano sulle neuroscienze; gli evoluzionisti, che applicano la biologia evolutiva; i bayesiani, che si occupano di statistica e di probabilità; gli analogisti, che fondano i loro studi sulla psicologia. Di recente, il miglioramento dell'efficienza del calcolo statistico ha portato i bayesiani a ottenere successi e avanzamenti in diverse aree, con il cosiddetto "machine learning", apprendimento automatico. In modo analogo, i miglioramenti nei calcoli di rete hanno permesso ai connettivisti di ottenere grandi avanzamenti in un campo secondario denominato "deep learning", l'apprendimento approfondito. Il machine learning (ML) e il deep learning (DL) sono due campi delle scienze informatiche derivati dalle discipline dell'intelligenza artificiale.
In senso generale, queste tecniche si dividono in "supervisionate" o "non supervisionate"; nella prima categoria, sono utilizzati dati di addestramento che includono l'output desiderato, mentre nella seconda categoria l'output non è incluso.
L'AI diventa "più intelligente" e impara più rapidamente se la quantità di dati è maggiore; ogni giorno le aziende alimentano con enormi flussi di dati le loro soluzioni di machine learning e deep learning raccogliendo ed estraendo dati da data warehouse come Amazon Redshift, analisi sul campo tramite crowdsourcing con Mechanical Turk o data mining dinamico tramite Kinesis Streams. Inoltre, con la comparsa dell'IoT, i dati provenienti dai sensori aumentano esponenzialmente la quantità di dati da analizzare, provenienti da sorgenti, percorsi, oggetti ed eventi che prima non erano considerati.
Machine learning è il nome che viene in genere assegnato ad alcune tecniche bayesiane utilizzate per il riconoscimento di pattern e l'apprendimento. Di base, il machine learning consiste in una serie di algoritmi che imparano e creano previsioni a partire dai dati ricevuti, ottimizzano funzioni di utilità in condizioni di incertezza, estraggono strutture non immediatamente visibili nei dati e classificano le informazioni secondo descrizioni coincise. Il machine learning viene spesso distribuito quando la programmazione esplicita sarebbe troppo poco flessibile o pratica. A differenza del codice informatico generalmente distribuito dagli sviluppatori di software per generare output specifici dei codici in un programma in base all'input, il machine learning genera codici di tipo statistico (un modello di ML) che restituirà il "risultato corretto" secondo un pattern riconosciuto sulla base di esempi precedenti di input (e di output, nel caso di tecniche supervisionate). La precisione di un modello di ML si basa soprattutto sulla qualità e sulla quantità di dati storici.
Con dati di buona qualità, un modello di ML è in grado di analizzare problemi a più dimensioni con miliardi di esempi e di individuare la funzione ottimale che permette di prevedere quale risultato deriverà dall'input immesso. I modelli di ML generalmente garantiscono una buona affidabilità statistica sulle previsioni e sulle prestazioni generali. L'affidabilità è importante quando si tratta di decidere se utilizzare un modello di ML o di procedere con previsioni individuali.
Amazon.com basa buona parte della propria attività su sistemi fondati sul machine learning. Senza ML, Amazon.com non avrebbe raggiunto risultati tanto eccezionali per quanto riguarda crescita, esperienza e selezione dei clienti e qualità e rapidità della logistica. Amazon.com ha dato vita ad AWS per permettere ad altre aziende di sfruttare la stessa infrastruttura IT, con relativi vantaggi di agilità e di basso costo; sulla stessa linea, ora vuole rendere disponibili le tecnologie ML a tutte le imprese.
La struttura dei team di sviluppo di Amazon.com e l'importanza data alle tecnologie ML per la risoluzione di problemi aziendali pratici permette ad Amazon.com e AWS di sviluppare strumenti e servizi di ML potenti e intuitivi. Come molti altri servizi IT, questi strumenti vengono prima messi alla prova negli ambienti mission critical di Amazon.com; solo in seguito vengono svelati al pubblico come servizi AWS disponibili a tutte le aziende.
Il machine learning viene spesso utilizzato per fornire previsioni basate su dati storici. Ad esempio, molte aziende lo impiegano per prevedere la quantità di prodotti che verranno venduti nei trimestri fiscali successivi in base a dati demografici specifici, oppure per stimare il profilo del cliente tipo che mostreranno più probabilmente maggiore o minore fedeltà al marchio. Queste previsioni permettono di prendere decisioni informate, creare esperienze utente più personali e ridurre i costi di fidelizzazione dei clienti. Il ML è complementare alla business intelligence (BI), che raccoglie dati aziendali riferiti al passato, mentre il primo fornisce previsioni sul futuro basate sulle tendenze e le transazioni passate.
L'implementazione del ML in azienda prevede diverse fasi. Prima di tutto, è necessario identificare i problemi a cui applicarlo, ovvero l'area in cui le previsioni consentirebbero maggiori vantaggi. Quindi è importante raccogliere dati in base a specifici parametri aziendali (transazioni, vendite, tassi di abbandono e così via). Con questi dati aggregati è così possibile creare un modello di ML basato su tali dati. Il modello ML eseguito fornirà previsioni del modello che potranno essere riutilizzate nei sistemi aziendali per prendere decisioni informate.
Come implementare il machine learning in azienda
Identifica elementi, eventi e osservazioni che non sono conformi a un pattern predeterminato o ad altri oggetti in un set di dati.
Crea modelli predittivi che facilitano l'identificazione di transazioni potenzialmente fraudolente e di recensioni malevoli o inappropriate.
Trova i clienti a rischio di abbandono, per poter coinvolgerli anticipatamente con promozioni e offerte di servizio clienti.
Offre un'esperienza per i clienti maggiormente personalizzata tramite modelli di analisi predittiva che suggeriscono articoli e ottimizzano il flusso del sito Web in base alle azioni precedenti dei clienti.
Il deep learning è una branca del machine learning che impiega algoritmi su più livelli per ottenere una comprensione più chiara dei dati. Gli algoritmi non sono più vincolati esclusivamente alla creazione di un set di relazioni comprensibili come in regressioni di base. Con il deep learning, questi diversi livelli di algoritmi non lineari permettono di creare rappresentazioni distribuite che interagiscono tra loro in base a diversi fattori. Con grandi volumi di dati su cui lavorare, gli algoritmi di deep learning iniziano a identificare le relazioni tra elementi. Queste relazioni possono essere, ad esempio, forme, colori, parole o altro. A partire da questi elementi, il sistema può essere impiegato per creare previsioni. Con il machine learning e l'intelligenza artificiale, il deep learning è in grado di identificare un numero maggiore di relazioni rispetto a quelle codificabili manualmente tramite software, nonché di rilevare relazioni che sfuggirebbero al giudizio umano. Grazie a una fase di addestramento ottimale, la rete di algoritmi sarà in grado di fornire previsioni e interpretazioni a partire da dati estremamente complessi.
Le reti neurali convoluzionali hanno prestazioni molto migliori degli umani in molte attività visuali, tra cui la classificazione di oggetti. Con milioni di immagini etichettate, il sistema di algoritmi è in grado di identificare il soggetto delle immagini. Molti servizi di storage di immagini includono tecnologie di riconoscimento facciale basate sul deep learning. Si tratta di una funzione centrale in Amazon Rekognition, Amazon Prime Photos e nel servizio Firefly di Amazon.
Amazon Alexa e altri assistenti virtuali sono stati progettati per riconoscere richieste e offrire risposte. Il riconoscimento di una voce è un'attività che gli umani sviluppano fin dalla giovane età, ma solo di recente i computer sono diventati in grado di ascoltare e rispondere a stimoli vocali umani. I diversi accenti e le diverse forme verbali rendono queste attività estremamente complicate per una macchina che elabora dati matematici e informatici. Con il deep learning, il sistema di algoritmi può determinare facilmente gli stimoli verbali e le richieste.
L'elaborazione del linguaggio naturale cerca di insegnare ai sistemi come comprendere linguaggio, tono e contesto. In questo modo, l'algoritmo sarebbe in grado di discernere concetti complessi come l'emozione e il sarcasmo. Si tratta di un campo in grande crescita, perché molte aziende puntano ad automatizzare il servizio clienti con bot vocali o di testo, ad esempio Amazon Lex.
Lo shopping online spesso richiede la presenza di suggerimenti personalizzati sui contenuti in base agli articoli che un utente è più propenso ad acquistare, ai film che più probabilmente vuole guardare o alle notizie a cui potrebbe essere interessato. In passato, questi sistemi venivano messi in pratica manualmente da persone che creavano associazioni tra i diversi articoli. Tuttavia, con l'avvento dei Big Data e del deep learning, l'intervento umano non è più necessario, perché gli algoritmi sono in grado di identificare gli articoli che possono attirare l'interesse di un utente in base alle visite e agli acquisti passati e al confronto con le attività di altri utenti.
>> Ulteriori informazioni su MXnet, il framework di deep learning open source, e su come iniziare a utilizzarlo.