Machine Learning, Data Science e Intelligenza Artificiale
Al giorno d’oggi è molto comune imbattersi in questi termini: data science, intelligenza artificiale, machine learning, deep learning e molto altro.
Ma cosa significano effettivamente queste parole?
Data science
Data Science è un termine generico che si riferisce a diverse discipline: l’apprendimento automatico, il data mining, l’analisi dei dati e le statistiche.
Inoltre, comprende le attività relative al lavoro con i big data, come il processo di estrazione, trasformazione e caricamento dei dati (ETL) in repository di archiviazione.
Più dati hai, più informazioni di business puoi generare. Utilizzando la scienza dei dati, puoi scoprire modelli nei dati che non sapevi nemmeno esistessero.
La scienza dei dati viene ampiamente utilizzata in molteplici scenari.
Le aziende – ad esempio – utilizzano la data science per prevedere il comportamento degli utenti e molto altro ancora.
L’obiettivo principale della Data Science è dare un senso ai dati.
Ottenere questa comprensione include più step a seconda del progetto al quale si sta lavorando.
Ciò può includere dalla raccolta e l’elaborazione di grandi quantità di dati fino alle analisi predittive utilizzando strumenti come algoritmi di machine learning e reti neurali di deep learning.
Intelligenza artificiale
L’intelligenza artificiale – AI – esiste dalla metà degli anni ’50 ma è diventata molto popolare negli ultimi anni grazie all’ aumento dei volumi dei dati, agli algoritmi avanzati e ai miglioramenti nella potenza di calcolo e nell’archiviazione.
Le implementazioni dell’algoritmo sono migliorate così tanto che possiamo eseguirle su hardware comune, anche sul tuo laptop o smartphone.
Ma cos’è l’intelligenza artificiale?
L’intelligenza artificiale (AI) consente alle macchine di apprendere dall’esperienza, adattarsi a nuovi input ed eseguire attività simili a quelle umane.
In questo modo i computer possono essere addestrati a svolgere compiti specifici elaborando grandi quantità di dati e riconoscendo modelli nei dati.
Fino a giungere a conclusioni o prendere decisioni di elevata accuratezza.
Machine Learning
Il Machine Learning è una branca dell’intelligenza artificiale (AI) che si basa sulla creazione di algoritmi in grado di elaborare e apprendere autonomamente i dati.
L’intero approccio si basa sul fatto che è più efficiente insegnare a un computer come apprendere, piuttosto che programmarlo per eseguire tutte le attività richieste.
Un esempio di machine learning sono gli assistenti virtuali Alexa (Amazon) e Siri (Apple).
Questi sistemi utilizzano algoritmi di apprendimento e, più abitudini dell’utente apprende il sistema e meglio riesce a gestire le richieste.
Anche il riconoscimento facciale è un esempio di machine learning.
In questo caso un’immagine fissa sarà l’input per il sistema che andrà a identificare le persone raffigurate al suo interno in uno scenario dinamico.
Le librerie ML come Scikit-Learn sono oggi talmente evolute che anche uno sviluppatore di app senza alcun background in matematica o statistica, o con solo una formazione base di AI, può iniziare ad utilizzarle per creare, testare e distribuire modelli ML.
Deep Learning
Gli algoritmi di Deep Learning sono un ramo del machine learning, che subentrano in tutte quelle situazioni in cui il ML risulta essere debole.
Il DL utilizza le reti neurali per risolvere i problemi, ovvero un framework che combina vari algoritmi di machine learning per risolvere determinati tipi di attività.
Un sistema di deep learning è essenzialmente una rete neurale molto grande che viene addestrata utilizzando una grande quantità di dati.
Esistono diversi tipi di architetture di deep learning e non è raro sentire parlare dell’uso di una rete neurale ricorrente (RNN) o di una rete neurale convoluzionale (CNN).
Il termine “deep” si riferisce al numero di strati o punti di trasformazione contenuti all’interno del quadro.
Quando l’input attraversa questi livelli viene reso più astratto, terminando nel livello di output.
È in questa fase che viene effettuata una previsione basata sull’input originale.
Esempi di Deep Learning
Il deep learning è attualmente utilizzato in molte attività complesse.
Un esempio di deep learning è Google Translate, un software in grado di tradurre testi scritti in più di 100 lingue.
Anche Netflix utilizza il DL per migliorare l’offerta personalizzata dei suoi clienti: analizzando i dati di coinvolgimento infatti, riesce a consigliare sempre più accuratamente quali programmi sono in linea con le nostre preferenze.
Guardando al futuro, il deep learning verrà applicato a tecnologie come: finanza, veicoli autonomi e assistenza sanitaria.
