Le applicazioni del machine learning

Quando sentiamo parlare di Intelligenza Artificiale e dei progressi relativi alla sua applicazione, ci si riferisce spesso ad una categoria precisa, denominata Machine Learning. Ma il machine learning cos’è? Si tratta di algoritmi di autoapprendimento in grado di elaborare statisticamente una grande quantità di informazioni che possono essere assorbite sottoforma algoritmica per l’apprendimento automatico – numeri, parole, immagini, clic – da cui trarre modelli di riferimento. Oggi come oggi, siamo circondati da oggetti e servizi sviluppati secondo questa logica:

• Sistemi di raccomandazione, come Netflix, YouTube, Spotify
• Motori di ricerca, Google i primis
• Social Network come Facebook, Instagram o Twitter
• Assistenti vocali; Siri e Alexa

Ogni piattaforma ha come obiettivo fondativo, la raccolta di quante più informazioni personali su noi per poi elaborare supposizioni – oggi alquanto precise – circa le nostre preferenze: viaggi, stili di vita, gusti musicali, status, etc.

Il primo grande nome legato al Machine Learning è sicuramente quello di Alan Turing, che negli anni 50 del 900 avanzò la necessità di realizzare algoritmi specifici per realizzare macchine in grado di apprendere.  In quegli stessi anni, anche gli studi sull’intelligenza artificiale e sulle reti neurali stavano riscontrando grande curiosità ed interesse alternando periodi di abbandono a causa, soprattutto, dalle tante difficoltà di realizzazione di sistemi intelligenti, unitamente alla mancanza di sussidi economici e dallo scetticismo che circondava chi tentava di lavorarci.

Quello che oggi appare scontato è in gran parte dovuto ad un altro importante esponente, Geoffrey Hinton che con un’invenzione risalente al 1986 gli valse il riconoscimento di padre del Deep Learning. Il Deep Learning, ovvero apprendimento profondo, è una branca del Machine Learning che trae ispirazione dal funzionamento del cervello umano, in particolare dalle reti neurali.  Il Deep Learning utilizza una logica che consente di intercettare modelli più piccoli, amplificandoli. Questa tecnica viene chiamata a sua volta Deep Neural Network; l’aggettivo “profondo” attribuitogli, deriva dalla capacità di indagare grandi quantità di dati in profondità, elaborando un dato finale, definito “previsione”.

Tuttavia, Hinton pubblicò la sua scoperta in un momento di scarsa considerazione perché erano ancora in pochi a comprenderne le potenzialità insite nella sua scoperta e, altrettanto pochi, erano coloro i quali sarebbero stati in grado di gestire un tale patrimonio di informazioni.

Modalità di apprendimento di una macchina

Giungere alla realizzazione di macchine intelligenti non è stato semplice;  il percorso, anche se lungo e tortuoso, ci ha portati oggi, ad annoverare differenti modalità di apprendimento, tutte efficaci, seppur con delle particolarità intrinseche che differiscono sia per tipologia di algoritmi utilizzati, che per finalità ed obiettivi. (fonte: intelligenzaartficiale.it)

Possiamo considerare tre differenti sistemi di apprendimento automatico: supervisionato, non supervisionato e per rinforzo. I tre modelli di apprendimento vengono utilizzati in maniera differente a seconda della macchina su cui si deve operare, garantendo così la massima performance e il migliore risultato possibile per la risposta agli stimoli esterni.

• L’apprendimento supervisionato consiste nel fornire al sistema informatico della macchina una serie di nozioni specifiche e codificate, ossia modelli ed esempi che permettono di costruire un vero e proprio database di informazioni e di esperienze. In questo modo, quando la macchina si trova di fronte ad un problema, non dovrà fare altro che attingere alle esperienze inserite nel proprio sistema, analizzarle e decidere quale risposta dare sulla base di esperienze già codificate.
• L’apprendimento non supervisionato o senza supervisione, prevede invece che le informazioni inserite all’interno della macchina non siano codificate, ossia che la macchina possa attingere a determinate informazioni senza avere alcun esempio del loro utilizzo e, quindi, senza avere conoscenza dei risultati attesi in relazione alla scelta effettuata. Dovrà essere la macchina stessa, quindi, a catalogare tutte le informazioni in proprio possesso, organizzarle, definirne il significato, il loro utilizzo e, soprattutto, il risultato a cui esse portano. L’apprendimento senza supervisione offre maggiore libertà di scelta alla macchina che dovrà organizzare le informazioni in maniera intelligente e imparare a riconoscere i risultati migliori dipendentemente alle situazioni che si presentano.
• L’apprendimento per rinforzo, rappresenta il sistema di apprendimento più complesso; 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. In questo caso, quindi, alla macchina vengono forniti una serie di elementi di supporto, quali sensori, telecamere, GPS eccetera, che permettono di rilevare quanto avviene nell’ambiente circostante ed effettuare scelte per un migliore adattamento all’ambiente intorno a loro. 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.

Applicazione del machine learning nella gestione delle risorse umane

Ad oggi questo campo di applicazione appare ancora limitato, nonostante sia indubbio l’ampio potenziale di crescita. In prevalenza viene applicato per ottimizzare i processi di assunzione per via della sua capacità di prescindere dalle informazioni facilmente verificabili come, ad esempio, il livello di studi. L’applicazione del Machine Learning nei costosi e spesso inefficaci processi di reclutamento, può agevolare l’intercettazione dei migliori canditati tra centinaia di richieste.
Può inoltre garantire pari opportunità, applicandolo nella creazione delle descrizioni di lavoro rilevanti ma “neutrali” in termini di genere, assicurando l’intercettazione di candidati più idonei, uomo o donna, in relazione alla posizione disponibile.  Secondo un’indagine di qualche anno fa, condotta da Total Job , emerge come l’utilizzo di una terminologia neutrale in relazione al genere realizzi il + 42% di risposte, rispetto agli annunci di lavoro non neutrali.

Un altro ambito di applicazione del Machine Learning utile, nella gestione del capitale umano, riguarda i programmi di formazione dei dipendenti, rappresentando un approccio altamente innovativo.

Gli utilizzi più diffusi nell’e-learning sono la generazione automatica di quiz e l’invio di feedback immediati che, diversamente, sarebbero piuttosto onerosi richiedendo l’impiego prolungato di amministratori e formatori.

Il Machine Learning consente di ridurre sensibilmente l’utilizzo di risorse umane senza inficiare sull’efficienza e l’efficacia dei percorsi formativi in modalità e-learning.

Applicazione dell’apprendimento automatico

Automazione dei contenuti. Il machine learning consente di valutare il livello dei partecipanti ai corsi, sottoponendoli a quiz iniziali, sulla base dei quali, distribuire contenuti idonei in relazione al livello di partenza e agli obiettivi prefissi, calibrando i contenuti sulle caratteristiche del partecipante, garantendone così un coinvolgimento maggiore. Nell’ambito della formazione aziendale, l’automazione è un’azione fondamentale se si vuole velocizzare l’apprendimento e l’aggiornamento delle risorse.

Miglioramento continuo dei feedback. Gli algoritmi del machine learning apprendono tramite l’analisi dei dati raccolti sulla piattaforma LMS. Sulla base delle informazioni acquisite, la precisione e l’efficienza del modello migliorano, suggerendo percorsi sempre più mirati.

Automazione delle notifiche e dei feedback. Consentire l’aggiornamento utenti con comunicazioni periodiche sull’andamento del proprio percorso di formazione e di nuovi corsi dedicati. Le comunicazioni diventano immediate, così come l’interazione tra gli utenti e i formatori.

Assistenza automatica e immediata. Rispondere alle domande e far fronte alle difficoltà riscontrate dai singoli utenti durante il percorso di formazione online è una componente importante dei progetti eLearning. Anche in questo caso, l’automazione può essere una grande alleata. È possibile implementare metodi di assistenza che funzionino con la ricerca tramite tab, oppure le chatbot, in modo da fornire risposte tempestive e ridurre al minimo le criticità.

Intelligenza Artificiale nelle imprese italiane

(Osservatori.net)

Dal confronto nato in relazione ai dati forniti dall’Osservatorio Artificial Intelligence del Politecnico di Milano viene evidenziato come le aziende italiane, nonostante i problemi di budget conseguenti al protrarsi dell’emergenza stiano perseguendo l’obiettivo di adottare l’intelligenza artificiale nel proprio ecosistema e come, in molti casi, ne modifichi gli obiettivi.

Questa tendenza però, sembra riguardare le imprese più grandi e strutturate che già nel corso del 2019 avevano già dato avvio a progetti affini, mentre le PMI continuano a confermare perplessità circa le tempistiche di implementazione, costi e carenza di competenze, così come sottolinea Luca Camporese di Var Group.

Alessandro Azzaroni di Injenia elenca i principali ambiti per cui le aziende richiedo progetti basati su Ai, sottolineando quanto sia determinante questo momento per il futuro delle aziende.

In ambito manufactoring puntano principalmente all’ottimizzazione di produzione e alla qualità dei prodotti, per prevedere le attività di manutenzione degli impianti e ottimizzare i nodi strategici nella supply chain e gli inventari. In area Marketing e Sales, viene utilizzata per previsioni di vendita e tendenze di mercato, per campagne marketing.

L’Intelligenza artificiale, conclude Azzaroni, integrata nei sistemi aziendali, svolgerà un ruolo fondamentale per aiutare i manager e decision maker ad affrontare il cambiamento nello stesso momento in cui posizionano la propria azienda per la crescita futura.