Nel mondo della tecnologia ci sono delle parole ricorrenti, che sono pronunciate e invocate da esperti e meno esperti, quasi se avessero poteri salvifici, spesso senza conoscere le reali dinamiche di funzionamento Una di queste parole è, sicuramente, il machine learning che, sull’onda della crescente attenzione verso l’intelligenza artificiale, si è imposto come uno dei topics del dibattito IT. Ma che cosa è esattamente il machine learning? Perché può essere realmente utile alle aziende? Quali sono gli ostacoli e le difficoltà alla realizzazione di progetti di successo? Partiamo dalle basi: il machine learning è un segmento della più vasta famiglia dell’intelligenza artificiale, che permette a un sistema di imparare dai dati piuttosto che attraverso la programmazione esplicita. Già questa semplice definizione permette di comprendere come l’implementazione di un progetto di machine learning non sia affatto semplice: per produrre risultati corretti e stabilire quelle correlazioni invisibili all’occhio umano, i sistemi di machine learning vanno opportunamente addestrati – spesso per mesi – a riconoscere le possibili correlazioni tra i dati. Soltanto dopo che un modello è stato addestrato, può essere utilizzato in tempo reale per l’apprendimento dai dati.
Il ruolo dei dati
Messa in altri termini, 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. Non a caso, l’esplosione del machine learning attuale è strettamente correlata all’avvento dei big data, ovvero dei grandi volumi di dati (strutturati e non strutturati) che possono essere utilizzati per addestrare al meglio i modelli. Il cloud e i miglioramenti della velocità di rete e dell’affidabilità hanno rimosso le limitazioni fisiche associate alla gestione di enormi quantità di dati a una velocità accettabile. Il deep learning, invece, 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 complesse di deep learning sono infatti progettate per emulare il funzionamento del cervello umano, tanto da essere spesso utilizzati nelle applicazioni di riconoscimento delle immagini, di linguaggio e di visione artificiale.
Machine learning al centro della terza lezione di IBM AI School
Insomma, il machine learning non può essere improvvisato in azienda, ma necessita di tecnologie apposite: in questo senso va IBM Watson Machine Learning, una piattaforma che aiuta i data scientist e gli sviluppatori ad accelerare l’implementazione di AI e machine-learning. Grazie ai suoi modelli estensibili e aperti, Watson Machine Learning aiuta le aziende a semplificare e sfruttare l’AI in scala su qualsiasi cloud. In particolare Watson Machine Learning fornisce funzionalità per:
1) implementare modelli creati con IBM Watson Studio e strumenti open source, riaddestrare dinamicamente i modelli, generare automaticamente le API per creare applicazioni basate sull’AI
2) Gestire i modelli attraverso l’integrazione con IBM Watson Openscale
3) Semplificare la gestione e implementazione end-to-end dei modelli con un’interfaccia di facile utilizzo
Del Machine learning e delle potenzialità degli strumenti IBM si è parlato in occasione della terza lezione di IBM AI School, tenutasi il 23 ottobre 2020 (qui tutti i dettagli). La sessione è stata aperta, come di consueto, da una introduzione teorica volta a contestualizzare il tema nel mercato italiano e a raccontare esempi virtuosi realizzati negli ultimi mesi. Successivamente sono stati raccontati nel dettaglio tre use case reali ed è stato mostrato concretamente come la piattaforma IBM Watson accompagni in ogni passo della metodologia CRISP-DM per la data science. Durante la lezione è stato possibile interagire con partecipanti ed esperti, per capire come concretamente utilizzare le diverse soluzioni e risolvere le principali difficoltà legate all’implementazione del machine learning in azienda.
