Ufficio

Cosa si intende per apprendimento automatico?

Definizione

L’apprendimento automatico è una branca dell’intelligenza artificiale (AI) e dell’informatica che si concentra sull’uso di dati e algoritmi per imitare il modo in cui gli umani imparano, migliorando gradualmente la sua precisione.

I termini machine learning e AI vengono spesso utilizzati insieme e in modo intercambiabile, ma non hanno lo stesso significato. Un’importante distinzione è che sebbene tutto ciò che riguarda il machine learning rientra nell’intelligenza artificiale, l’intelligenza artificiale non include solo il machine learning.

 

Metodi di apprendimento automatico

I metodi di apprendimento automatico rientrano in tre categorie principali.

 

1.Apprendimento automatico supervisionato        

L’apprendimento supervisionato richiede di fornire al sistema informatico della macchina un insieme di nozioni. Queste nozioni devono essere specifiche e codificate, come modelli ed esempi, al fine di consentire al sistema della macchina di costruire un vero e proprio database di informazioni ed esperienze.

Così facendo quando il computer si trova di fronte a un problema, deve semplicemente andare a recuperare le esperienze immagazzinate nel suo sistema, analizzarle e selezionare quale risposta offrire in base alle esperienze precedentemente codificate.

Questa forma di apprendimento è già confezionata in qualche modo, e la macchina deve solo essere in grado di determinare quale output da restituire è il migliore in base all’input dato.

 

2. Apprendimento automatico senza supervisione

L’apprendimento non supervisionato presuppone che le informazioni inserite nella macchina non siano codificate. Vale a dire che la macchina non necessita di modelli o esempi. La macchina basata sull’apprendimento deve catalogare in modo autonomo tutti i dati che ha, organizzarli e capirne il significato, l’applicazione e, soprattutto, il risultato finale. L’apprendimento non supervisionato dà alla macchina una maggiore libertà di scelta, poiché deve organizzare in modo intelligente le informazioni e imparare quali sono i risultati migliori per le varie circostanze che si presentano.

 

 3. Apprendimento per rinforzo 

L’apprendimento per rinforzo rappresenta probabilmente il sistema di apprendimento più complesso, che prevede che la macchina sia dotata di sistemi e strumenti in grado di migliorare il proprio apprendimento e, soprattutto, di comprendere le caratteristiche dell’ambiente circostante.

 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.Questo tipo di apprendimento è tipico delle auto senza pilota, che grazie a un complesso sistema di sensori di supporto è in grado di percorrere strade cittadine e non, riconoscendo eventuali ostacoli, seguendo le indicazioni stradali e molto altro.

 

Qual è l’approccio più adatto?

La scelta di un algoritmo di machine learning dipende in genere da fattori correlati alla struttura e al volume dei dati e al caso d’uso a cui si desidera applicarlo.

 

Esempi di apprendimento automatico

l’apprendimento automatico presenta moltissime applicazioni di uso quotidiano. Di seguito alcuni esempi di apprendimento automatico che è possibile incontrare ogni giorno:

  • I software che consentono ai motori di ricerca di rispondere nel merito alle ricerche degli utenti.
  • La tecnologia di riconoscimento vocale presente negli smartphone.
  • I filtri antispam per le mail indesiderate.
  • La creazione di pubblicità personalizzata sulla base delle abitudini di navigazione degli utenti.
  • Software di riconoscimento e conversione della scrittura manuale
  • Chatbot e assistenti virtuali