{"id":5481,"date":"2024-05-20T07:42:58","date_gmt":"2024-05-20T07:42:58","guid":{"rendered":"https:\/\/www.moxoff.com\/?p=5481"},"modified":"2025-09-03T15:13:51","modified_gmt":"2025-09-03T15:13:51","slug":"machine-learning-cose-come-funziona","status":"publish","type":"post","link":"https:\/\/www.moxoff.com\/en\/machine-learning-cose-come-funziona\/","title":{"rendered":"Machine Learning: cos\u2019\u00e8 e come funziona"},"content":{"rendered":"

The machine learning (ML)<\/strong> rappresenta con ogni probabilit\u00e0 la sottobranca dell\u2019intelligenza artificiale pi\u00f9 popolare e diffusa, sia in ambito consumer che nel contesto enterprise.
\nAltrimenti noto come apprendimento automatico, il ML \u00e8 ormai da molti anni utilizzato in moltissimi ambiti applicativi e i recenti progressi computazionali, unitamente alla crescente offerta di servizi AI in cloud computing ha contribuito alla sua definitiva consacrazione, democratizzando<\/strong> la portata applicativa anche nel contesto delle PMI, inizialmente escluse da un entry level troppo elevato.
\nAttraverso l\u2019esperienza di Moxoff, che da molti anni accompagna decine di aziende italiane nel loro AI Journey, vediamo in cosa consiste il machine learning, come funziona, quali sono le sue applicazioni principali e le sfide che bisogna affrontare quando si decide di adottarlo per innovare in maniera sostanziale i propri processi.<\/p>\n

Che cos\u2019\u00e8 il Machine Learning<\/span><\/h2>\n

Il machine learning \u00e8 una tecnica di intelligenza artificiale che consente agli elaboratori informatici di apprendere dai dati per prendere decisioni informate. Le applicazioni ML non sono programmate per eseguire un singolo task in maniera deterministica<\/strong>, ma vengono addestrate con set di dati coerenti con un determinato contesto, per consentire agli algoritmi di apprendere come si svolge un determinato evento, di riconoscerne i pattern e arrivare ad offrire soluzioni pertinenti ai problemi da risolvere.
\nIl machine learning \u00e8 un\u2019attivit\u00e0 multidisciplinare che coinvolge statistica, computer science e data science, con l\u2019obiettivo di creare modelli in grado di migliorare la loro efficacia nel tempo, grazie al training di quantit\u00e0 e variet\u00e0 di dati sempre pi\u00f9 significative. Per tali ragioni, l\u2019efficacia di un sistema ML non pu\u00f2 prescindere da una elevata data quality<\/strong>, ai fini di scongiurare bias e risultati poco attendibili, se non addirittura fuorvianti.<\/p>\n

Quando \u00e8 nato il termine machine learning?<\/span><\/h2>\n

Il termine machine learning \u00e8 comparso per la prima volta nella letteratura scientifica nel 1959, per mano di Arthur Samuel, ricercatore IBM e pioniere nel campo dell\u2019intelligenza artificiale e del gaming. Nello stesso periodo inizia a diffondersi la definizione di computer ad apprendimento autonomo<\/strong> (self-teaching).
\nIl machine learning, almeno nella sua definizione concettuale risale agli anni 40 del Novecento, mentre le implementazioni attualmente riconoscibili sono databili a partire dagli anni 90. Una vera e propria maturazione del ML \u00e8 avvenuta soltanto di recente, grazie a sistemi computazionali pi\u00f9 performanti, in parte disponibili in cloud<\/strong>, che hanno consentito di svolgere pi\u00f9 facilmente i complessi calcoli richiesti dai suoi algoritmi, consentendo al ML e ad altre tecniche AI di diffondere rapidamente la propria portata applicativa.
\nTra le figure pi\u00f9 autorevoli nella storia del machine learning, oltre al gi\u00e0 citato Samuel, vanno certamente annoverati il pioniere Frank Rosenblatt, inventore del percettrone (1958), da cui sono derivate le reti neurali; Geoffrey Hinton, Yoshua Bengio e Yann LeCun, i cosiddetti \u201cpadrini della AI\u201d, a cui si deve un contributo fondamentale nel deep learning, tra gli anni \u201880 e \u201890. In tempi pi\u00f9 recenti riteniamo opportuno segnalare la fondamentale figura di Andrew Ng, soprattutto per quanto riguarda la democratizzazione delle conoscenze relative all\u2019intelligenza artificiale e alle sue applicazioni.<\/p>\n

Machine Learning e Deep Learning<\/span><\/h2>\n

Nell\u2019ambito dell\u2019intelligenza artificiale si sente spesso parlare di machine learning e deep learning (DL)<\/strong>. Ma in cosa differiscono? Perch\u00e9 vengono utilizzate due definizioni quando concettualmente si tratta di tecniche piuttosto simili?
\nPer focalizzare il concetto \u00e8 opportuno considerare il deep learning quale un subset del machine learning, che a sua volta rappresenta un subset dell\u2019intelligenza artificiale in senso ampio. Il DL basa il proprio funzionamento sulle reti neurali profonde<\/strong>, algoritmi ispirati al funzionamento del cervello umano.
\nIl deep learning \u00e8 particolarmente indicato per risolvere problemi generalizzati, che richiedono la comprensione di grandi quantit\u00e0 di dati non strutturati: riconoscimento di immagini, linguaggio naturale, generazione di testo e immagini, ecc.
\nIl machine learning appare pi\u00f9 specifico nell\u2019approccio e include metodi che non si basano soltanto sulle reti neurali. Il ML \u00e8 preferibile quando il problema da risolvere \u00e8 pi\u00f9 specifico, richiedendo meno quantit\u00e0 e variet\u00e0 di dati da correlare, oltre ad una maggiore trasparenza e spiegabilit\u00e0.<\/p>\n

Tipologie di Machine Learning<\/span><\/h2>\n

Le principali tipologie di machine learning si differenziano sulla base del processo di training: apprendimento supervisionato<\/strong>, apprendimento non supervisionato<\/strong> and apprendimento per rinforzo<\/strong>.<\/p>\n

Apprendimento supervisionato<\/h3>\n

Il modello di machine learning viene addestrato per riconoscere e ricondurre i dati (input) a classi predefinite (output). Tale metodo richiede dati etichettati per il training, in quanto gli output devono essere noti a priori. I principali algoritmi utilizzati per l\u2019apprendimento supervisionato sono gli algoritmi di classificazione e gli algoritmi di regressione.<\/p>\n

Apprendimento non supervisionato<\/h3>\n

Nel caso dell\u2019apprendimento non supervisionato, non si dispone di dati etichettati, ma si utilizzano tecniche come le analisi di clustering<\/strong> e le analisi associative per modellare i dati creando gruppi omogenei sulla base delle loro caratteristiche, in base a concetti come la similarit\u00e0 o la distanza, anche se non si conoscono a priori gli output attesi.<\/p>\n

Apprendimento per rinforzo<\/h3>\n

Particolarmente utilizzato nell\u2019ambito del deep learning, l\u2019apprendimento per rinforzo prevede una serie di step sequenziali, in cui l\u2019analisi dipende sia dalle caratteristiche dei dati utilizzati per il training che dallo stato attuale del sistema. Tali condizioni consentono all\u2019algoritmo di fare una previsione che andr\u00e0 costituire lo stato attuale per il ciclo successivo<\/strong>. Ogni ciclo prevede un rinforzo, un segnale numerico di ricompensa, utile a incoraggiare il sistema a ricercare le condizioni pi\u00f9 favorevoli. In caso contrario, si procede con una penalizzazione.<\/p>\n

Come funziona il Machine Learning<\/span><\/h2>\n

Il machine learning rappresenta una disciplina molto complessa e variegata, basti pensare che ad oggi la letteratura scientifica riconosce oltre cento algoritmi, entro cui scegliere il pi\u00f9 adatto per sviluppare ogni singola applicazione.
\nLe competenze certificate e la comprovabile esperienza sul campo di Moxoff consentono di muoversi consapevolmente in questo mare di soluzioni, per valorizzare al meglio il proprio patrimonio di dati<\/strong>, grazie alle analisi predittive basate su tecniche di machine learning.
\nLe principali fasi di un processo ML prevedono: raccolta dei dati, preparazione dei dati, addestramento del modello, valutazione del modello, ottimizzazione del modello e implementazione finale.<\/p>\n

Raccolta dei dati<\/h3>\n

Il processo di data gathering<\/strong> prevede la selezione delle fonti da cui acquisire i dati secondo criteri che dipendono dagli obiettivi analitici, prima ancora di entrare nel merito di valutare i data set esistenti<\/strong>, tra cui quelli gi\u00e0 utilizzati nei precedenti cicli di training. A prescindere dall\u2019utilizzo di un data set interno o esterno, \u00e8 opportuno valutare la loro tipologia e la coerenza con le finalit\u00e0 analitiche previste.<\/p>\n

Preparazione dei dati<\/h3>\n

Il processo di data preparation<\/strong> prevede a sua volta varie fasi, oltre alla gi\u00e0 citata raccolta dei dati:<\/span><\/p>\n

    \n
  1. \n
      \n
    1. \n
        \n
      1. \n
          \n
        1. Data discovery (scoperta e profilazione)<\/span><\/li>\n
        2. Data cleaning (pulizia)<\/span><\/li>\n
        3. Data transformation (trasformazione)<\/span><\/li>\n
        4. Data structuring (strutturazione)<\/span><\/li>\n
        5. Data enrichment (arricchimento)<\/span><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

          I dati vengono preparati utilizzando piattaforme software dedicate e resi disponibili alle applicazioni analitiche attraverso specifici sistemi di gestione (es. database, data warehouse, data lake, ecc.)<\/span><\/p>\n

          Addestramento del modello<\/h3>\n

          Dopo aver scelto l\u2019algoritmo pi\u00f9 indicato per svolgere il processo analitico, si procede con la fase di addestramento vera e propria, in cui l\u2019algoritmo stesso elabora i dati del training set per elaborare un modello previsionale<\/strong>.<\/span><\/p>\n

          Valutazione del modello<\/h3>\n

          Una volta che l\u2019algoritmo di ML prescelto, opportunamente personalizzato, ha elaborato il modello previsionale \u00e8 fondamentale valutare la sua accuratezza<\/strong>. Esistono varie modalit\u00e0 di valutazione, ma in generale viene utilizzato un data set di test (test set), differente rispetto al data set utilizzato in fase di apprendimento.
          \nA seguito dell\u2019elaborazione si valuta se le risposte esatte sono superiori o inferiori rispetto ad una soglia prefissata. Nel caso in cui i risultati si rivelassero deludenti, si procede con un re-training e si effettua una nuova valutazione.<\/p>\n

          Ottimizzazione e tuning<\/h3>\n

          L\u2019ottimizzazione dei modelli di machine learning ha quale obiettivo il progressivo miglioramento dell\u2019accuratezza previsionale, a fronte di un impiego sempre pi\u00f9 moderato di risorse. Un modello efficiente consente di risparmiare tempo e risorse computazionali preziose, anche nell\u2019ottica di soddisfare criteri di sostenibilit\u00e0 (ESG)<\/strong>, oltre che di performance.
          \nEsistono varie tecniche per eseguire l\u2019ottimizzazione dei modelli ML, tra cui: feature engineering, ottimizzazione degli iperparametri (Grid, Bayesiana, ecc.), regolarizzazione (L1, L2, Elastic Net, ecc.) e compressione dei modelli (Pruning, Quantizzazione, ecc.).
          \nIn questo contesto sono sempre pi\u00f9 diffuse le tecniche di autoML (automated machine learning), che, come suggerisce la definizione stessa, consentono di automatizzare tutte le fasi di un processo ML: dalla selezione del modello, al pre-processing, fino alla sua ottimizzazione.<\/p>\n

          Implementation<\/h3>\n

          Quando il modello ML viene ritenuto soddisfacente e adeguato nel soddisfare i risultati analitici, viene distribuito in produzione, con una fase di implementazione nei processi aziendali. In seguito alla prima distribuzione \u00e8 fondamentale il costante monitoraggio delle prestazioni del modello, per scongiurare problematiche (bias, deviazioni, ecc.) e procedere al suo aggiornamento quando vengono resi disponibili nuovi dati di training.
          \nTra i vari metodi di implementazione ritroviamo MLOps (machine learning operations)<\/strong>, un approccio collaborativo multidisciplinare, in parte ispirato a DevOps, che mira a snellire il processo che porta i modelli ML in produzione, oltre a facilitare le fasi di gestione e monitoraggio.<\/p>\n

          I vantaggi del Machine Learning<\/span><\/h2>\n

          Nell\u2019era del digitale, i dati costituiscono la principale materia prima di cui le organizzazioni dispongono per supportare i loro obiettivi di business. In questo contesto, il machine learning rappresenta un processo fondamentale per estrarre<\/strong>, attraverso l\u2019analisi, il valore informativo dai dati<\/strong> e valorizzarlo nel migliore dei modi in funzione delle esigenze aziendali.
          \nIl machine learning contribuisce a digitalizzare la conoscenza ottenibile dai dati, mettendo a sistema l\u2019esperienza e consolidando le procedure in atto, oltre ad abilitare nuove opportunit\u00e0 di business. Tra i vantaggi pi\u00f9 comuni ottenibili grazie al ML \u00e8 possibile citare l\u2019automazione dei processi, il miglioramento dei processi decisionali<\/strong> e la personalizzazione dei contenuti per marketing e comunicazione.<\/p>\n

          Automazione dei processi<\/h3>\n

          Il ML e la RPA (robotic process automation<\/strong>) contribuiscono ad automatizzare molte attivit\u00e0 ripetitive, a basso valore aggiunto, liberando le risorse umane per attivit\u00e0 pi\u00f9 strategiche, riducendo contestualmente gli errori, a tutto vantaggio della produttivit\u00e0. Un esempio ricorrente \u00e8 costituito dalla gestione documentale. Il ML permette inoltre di correlare dati di varia natura, provenienti da varie fonti, individuando aspetti che altrimenti rimarrebbero ignoti e che possono essere valorizzati in termini di efficienza e precisione nell\u2019esecuzione dei processi.<\/p>\n

          Miglioramento delle decisioni<\/h3>\n

          Privacy analisi descrittive e predittive<\/strong> basate sul machine learning consentono di estrarre valore informativo dai dati disponibili, producendo insight e report utili a rendere pi\u00f9 informate e consapevoli le decisioni di business. Alcune applicazioni<\/strong>, soprattutto in ambito industriale<\/a><\/strong><\/span>, consentono di automatizzare le decisioni sul campo, ad esempio in sinergia con tecnologie di robotica collaborativa.<\/p>\n

          Customisation<\/h3>\n

          L\u2019analisi comportamentale degli utenti e le previsioni relative alla domanda di mercato consentono alle applicazioni ML di supportare marketing e vendite nella personalizzazione delle campagne, ai fini di intercettare in maniera puntuale le esigenze dei consumatori ed ottenere maggiori conversioni.<\/p>\n

          Le sfide del Machine Learning<\/span><\/h2>\n

          L\u2019intelligenza artificiale \u00e8 puntualmente al centro di un dibattito sulle criticit\u00e0 comportate dalla sua adozione, in merito ad aspetti quali etica, privacy dei dati, possibili discriminazioni e ricadute negative in termini occupazionali. In parte giustificate, questi argomenti riguardano da vicino anche il machine learning.<\/p>\n

          Sfide etiche e privacy<\/h3>\n

          Le pi\u00f9 recenti sfide in ambito normativo, come ci conferma l\u2019(AI Act)<\/strong>, si soffermano con una frequenza sempre maggiore sugli aspetti etici legati all\u2019adozione dell\u2019intelligenza artificiale nei vari ambiti che prevedono l\u2019attivit\u00e0 dell\u2019uomo. Una delle maggiori preoccupazioni \u00e8 rivolta alla privacy dei dati acquisiti dai sistemi ML per svolgere i processi analitici. La AI ha un profondo impatto sulla vita delle persone e non dovrebbe prescindere da un approccio etico, finalizzato a produrre vantaggi per la collettivit\u00e0.<\/p>\n

          Rischi di bias e discriminazione<\/h3>\n

          Le applicazioni ML dipendono strettamente dalla qualit\u00e0 e dai contenuti dei dati utilizzati durante le fasi di apprendimento. Se i dati si rivelano di bassa qualit\u00e0 o poco pertinenti con il contesto da analizzare, i risultati possono essere condizionati da bias<\/strong> o vere e proprie discriminazioni.
          \nLa dimostrazione pratica deriva da alcuni casi in cui non sono stati erogati mutui, in quanto le analisi dei sistemi ML hanno giudicato non meritevoli alcuni candidati, a causa di alcuni standard penalizzanti, riferibili delle loro origini, nonostante avessero parametri economici assolutamente adeguati ad ottenere quanto richiesto.<\/p>\n

          Impatto su occupazione e competenze professionali<\/h3>\n

          Le applicazioni ML possono di fatto sostituire l\u2019uomo in moltissime mansioni, creando esuberi e costringendo in ogni caso a processi di upskilling<\/strong> and reskilling<\/strong>. Il mondo del lavoro \u00e8 destinato a cambiare per sempre, ma a fronte di evidenti minacce occupazionali, il machine learning sta creando enormi opportunit\u00e0 per chi possiede le competenze necessarie per il suo sviluppo. Chi vedr\u00e0 minacciata la propria professionalit\u00e0 dalle AI dovr\u00e0 necessariamente rimettersi in discussione, come \u00e8 avvenuto nel corso di tutte le principali rivoluzioni industriali della storia.<\/p>\n

          Applicazioni del Machine Learning<\/span><\/h2>\n

          Il machine learning viene utilizzato con successo ormai in tutti gli ambiti di business. A titolo esemplificativo citiamo alcuni tra gli esempi pi\u00f9 significativi.<\/p>\n

          Healthcare Sector<\/h3>\n

          Le tecniche di machine vision<\/strong> and machine learning<\/strong> consentono applicazioni in radiologia molto accurate, in grado vedere laddove l\u2019occhio umano non potrebbe mai arrivare, per effettuare diagnosi precoci, scongiurando al tempo stesso i falsi positivi.
          \nIl ML \u00e8 utilizzato anche per personalizzare le terapie dei pazienti, analizzando un gran numero di cartelle cliniche, opportunamente anonimizzate, per individuare il trattamento pi\u00f9 indicato per risolvere la patologia.<\/p>\n

          Finanza<\/h3>\n

          Le analisi predittive consentono di effettuare previsioni sull\u2019andamento dei mercati azionari, oltre a valutare i rischi. La tecnologia ML viene infatti utilizzata in finanza per supportare le decisioni di investimento, identificando i rischi in base ai dati storici e statistici. Il ML pu\u00f2 anche essere utilizzato per valutare i possibili risultati e sviluppare strategie di gestione del rischio.
          \nIl ML e i sistemi di machine vision sono molto utilizzati anche nell\u2019ambito della fraud detection nei POS e nelle transazioni online.<\/p>\n

          Automazione industriale<\/h3>\n

          Il ML \u00e8 ampiamente utilizzato nel contesto della smart factory<\/strong>, soprattutto per automatizzare e rendere pi\u00f9 efficienti i processi esistenti, oltre ad abilitarne di nuovi. Tra le applicazioni pi\u00f9 diffuse ritroviamo la manutenzione predittiva<\/strong>, che consente di intervenire soltanto quando effettivamente necessario, abbattendo sensibilmente i costi rispetto alla tradizionale manutenzione preventiva, minimizzando al tempo stesso i rischi di downtime dei sistemi produttivi.<\/p>\n

          Moxoff e Machine Learning<\/span><\/h2>\n

          Nonostante oggi si parli molto di machine learning e data science, non esistono sul mercato soluzioni pronte all\u2019uso, in grado di risolvere qualsiasi esigenza di business. Ogni organizzazione vanta la propria storia, il proprio contesto, i propri obiettivi di business, che vanno analizzati nel dettaglio per trovare la risposta pi\u00f9 pertinente, a cominciare dalla scelta delle tecnologie ML da utilizzare.
          \nIl machine learning \u00e8 un termine che sottintende decine e decine di possibili approcci e tecniche, che vanno conosciute nel dettaglio, per individuare i modelli pi\u00f9 efficaci in ciascun contesto applicativo<\/strong>.
          \nMoxoff vanta comprovabili competenze nell\u2019ambito dei big data, dell\u2019intelligenza artificiale e del machine learning, oltre ad una profonda esperienza pratica nel creare modelli personalizzati, in grado di rendere pi\u00f9 efficiente qualsiasi processo aziendale, in maniera totalmente allineata con gli obiettivi di business.<\/p>","protected":false},"excerpt":{"rendered":"

          Il machine learning (ML) rappresenta con ogni probabilit\u00e0 la sottobranca dell\u2019intelligenza artificiale pi\u00f9 popolare e diffusa, sia in ambito consumer che nel contesto enterprise. Altrimenti noto come apprendimento automatico, il ML \u00e8 ormai da molti anni utilizzato in moltissimi ambiti applicativi e i recenti progressi computazionali, unitamente alla crescente offerta di servizi AI in cloud […]<\/p>\n","protected":false},"author":3,"featured_media":1850,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[36],"tags":[],"class_list":["post-5481","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t