Una macchina intelligente capace di migliorare le proprie capacità e prestazioni nel tempo è così che si può identificare il machine learning o apprendimento automatico, quell’area dell’informatica che apre le porte all’intelligenza artificiale. Quando si parla di apprendimento automatico si fa riferimento a tutti quei meccanismi e processi che una macchina, definita intelligente, applica per imparare dalle esperienze pregresse per migliorare le proprie prestazioni e capacità. Alla basse di tutti i processi di apprendimento ci sono una serie di algoritmi, che partendo da una formula semplice si evolveranno fino a essere in grado di prendere decisioni o compiere azioni più o meno complesse
Gli algoritmi di apprendimento automatico si classificano in 3 diversi tipi di apprendimento : supervisionato, non supersionato, per rinforzo.
L’apprendimento supervisionato possiamo definirlo preconfezionato in quanto il database della macchina viene fornito in partenza di nozioni specifiche e codificate , che permetteranno al sistema di prendere decisioni attingendo dalle esperienze già inserite nel sistema informatico. Dovrà semplicemente scegliere quella giusta. Questo tipo di algoritmo lo troviamo spesso utilizzato in tantissimi settori dal campo medico, ad esempio il riconoscimento vocale, che riesce a dare risposte a problemi di tipo generico, su esami specifici.
L’apprendimento non supervisionato dà libertà di scelta alla macchina che, partendo da informazioni iniziali non codificate, dovrà imparare quali sono le risposte migliori ai vari casi che si possono presentare. Le informazioni iniziali fornite alla macchina in questo caso non presentano esempi di utilizzo, quindi deve essere la stessa macchina a catalogarle e imporre il significato adatto.
L’apprendimento per rinforzo è sicuramente il più complesso, infatti, in questo caso la macchina, per prendere le scelte giuste, deve incrementare il proprio apprendimento attraverso l’analisi dell’ambiente circostante e l’utilizzo di elementi di supporto di cui è dotata, quali sensori, telecamere, GPS. Un esempio è la macchina con guida automatica, i sensori analizzano ostacoli e indicazioni stradali per riuscire a percorrere tragitti più o meno complessi.
Gli esempi di machine learning di uso quotidiano oggi sono tantissimi, il riconoscimento vocale degli smartphone o della domotica in grado di attivare comandi tramite la propria voce. La pubblicità online permette, grazie alla rete, di capire gli interessi del consumatore in base alle sue ricerche pregresse per poi pubblicizzare i prodotti di suo interesse.
Le possibilità di incremento di questo ramo tecnologico sono ancora infinite, soprattutto perché la loro applicazione deve essere ancora inserita in diversi settori non solo di ricerca ma di uso comune. L’unico fattore che può essere limitante è la paura umana che le macchine possano diventare troppo intelligenti togliendo cosi facoltà di scelta e libertà. Ma di fatto, come sostengono molti studiosi esperti in machine learning, il vero problema che pur essendo ancora stupide hanno già conquistato capacità decisionale.
Articolo precedente 