Gli schemi sono modelli convenzionali e semplificati della realtà. Il mondo è una grande composizione di molti schemi diversi. Cercare le regolarità e capire le correlazioni tra dati e fenomeni può dare una buona idea su come anticipare e trarre vantaggio dagli eventi futuri
Il riconoscimento dei pattern, ovvero degli schemi, è utile in molti aspetti della vita. La musica è una collezione di pattern. Per esempio, la musica più popolare in generale segue uno schema di versi e cori. I musicisti jazz imparano il loro mestiere studiando un particolare pattern di accordi ripetuto. Allo stesso modo, i musicisti blues hanno un diverso e ripetuto schema di accordi. Riconoscendo queste convenzioni o schemi ben noti, un insieme di musicisti di questi generi può predire accordi futuri e suonare con successo per creare musica. Negli sport agonistici, riconoscere le tendenze o gli schemi dell’avversario può spesso fornire le tattiche per il successo. Un automobilista di Formula 1 può trarre vantaggio dalle tendenze di un altro pilota che prende curve molto ampie, magari infilandolo alla prima occasione. Un giocatore di tennis che nota come un avversario preferisce il diritto, può colpire la palla con il rovescio per segnare un punto. Rilevare queste inclinazioni o schemi consente a questi “player” di avere successo nel loro campo.
In cucina, i migliori chef spesso non fanno affidamento su dosi precise o su tempi di cottura al minuto spaccato quando creano una cucina di livello internazionale. Un cuoco esperto può riconoscere i tipici segnali visivi quando una salsa o un sugo dovrebbe sobbollire e non bollire, nonostante la temperatura del forno dettata da una ricetta. Riconoscere gli schemi visivi o di gusto sono attributi chiave degli chef di successo. Allo stesso modo, il riconoscimento di pattern è molto importante per le aziende. Come la musica, lo sport, la cucina e certamente altri aspetti della nostra vita, il riconoscimento degli schemi può aiutare le organizzazioni a prevedere e anticipare gli eventi futuri per trarne vantaggi competitivi. L’essenza del machine learning consiste nel riconoscere i pattern nei dati, nell’anticipare il probabile comportamento di dati simili e nel prendere iniziative per massimizzare i vantaggi di business in base a tali previsioni.
Le previsioni di business
Una previsione accurata è fondamentale per tutte le aziende. Senza un certo grado di fiducia nelle previsioni di business, le aziende avrebbero difficoltà a fornire prodotti e servizi di successo in modo economicamente vantaggioso. Il machine learning dà la capacità di offrire un’approfondita intelligenza decisionale predittiva e prescrittiva. Questo tipo di analisi dei dati aziendali è di vitale importanza per tutte le imprese. Negli ultimi decenni, molte aziende in una vasta gamma di settori hanno dovuto fare affidamento sull’analisi dei dati per le previsioni. Abbiamo tutti sentito parlare di termini come business intelligence, data mining, big data, analisi predittiva, e così via. Tutti questi strumenti e tecniche analizzano i dati aziendali storici e aiutano a fare previsioni accurate sul futuro per aumentare il fatturato o i profitti.
Prevedere con il machine learning
Il machine learning è un approccio radicalmente diverso rispetto alle previsioni effettuate con gli strumenti tradizionali. Ma il machine learning non è certamente un concetto nuovo, dato che trae origine dall’intelligenza artificiale (AI) di molti decenni fa. La prima conferenza AI è stata nel 1956 al Dartmouth College negli Stati Uniti. Questo accadeva ancora prima che le schede perforate venissero inventate! Duplicare l’intelligenza umana usando una macchina per simulare la rete neurale del nostro cervello era un obiettivo ambizioso ed entusiasmante. Tuttavia, non c’erano abbastanza risorse di calcolo né algoritmi sufficientemente sofisticati per portare a compimento questa idea anni fa. L’AI e il suo sottoinsieme ML hanno visto successi minori dei tardi anni 80 e nei 90, ma nel complesso i progressi sono stati molto limitati a dispetto delle possibilità. Circa dieci anni fa, vi sono stati alcuni passi avanti in nuovi algoritmi scalabili di riconoscimento dei pattern, utilizzando nuovi tipi di reti neuronali artificiali (ANN, artificial neural networks). E con l’avvento del cloud computing, in grado di fornire on-demand enormi risorse di computing, e con le grandi quantità di dati disponibili, la forza del machine learning è cresciuta in modo esponenziale. Questa nuova forma di ML viene comunemente chiamata “deep learning”, e sta offrendo previsioni accurate a livelli senza precedenti. Che si chiami deep learning o si continui a etichettarlo machine learning, questo tipo di analisi e previsione è un enorme business, oltre a essere un trend tecnologico che continuerà nel prossimo futuro.
Il processo complessivo
Visto dall’alto, un sistema di machine learning è abbastanza semplice. All’inizio, grandi quantità di dati “puliti” e validi vengono analizzati alla ricerca di schemi statistici. Questi schemi sono codificati in un modello e testati accuratamente. Una volta che l’azienda è soddisfatta, il modello può fornire risultati coerenti, viene messo in produzione e fa previsioni basate su nuovi input. E dal momento che viviamo in un mondo dinamico in cui i dati cambiano, i dati e i modelli di produzione sono continuamente ottimizzati dai data scientist per riflettere risultati imparziali.
Il ML richiede dati di qualità elevata
È importante assicurarsi che il sistema ML stia leggendo grandi serie di dati “puliti” e di alta qualità. Come nel data mining e in altri sistemi di analisi tradizionali, è fondamentale disporre di dati accurati e completi che rappresentino realmente il business. Più dati sono disponibili, più accurate sono le previsioni. E dal momento che le grandi aziende hanno proporzionalmente più dati rispetto a quelle di minori dimensioni, le grandi imprese sono perfettamente idonee a trarre il massimo beneficio dai sistemi ML. Ma derivare raccolte di regole complete da questa massa crescente di dati – raccolti da vendite, supporto utenti, analisi del sentiment, traffico del sito Web, tracciamento delle risorse IoT, monitoraggio dei microservizi, attività di rete – diventa rapidamente ingestibile. Invece di sistemi di regole complesse, i metodi statistici devono essere impiegati per rilevare i pattern.
I casi d’uso del machine learning
Quando si decide dove utilizzare il machine learning in azienda, esistono diverse caratteristiche tipiche dei sistemi che potrebbero essere utilizzate. Per esempio, un sistema molto ripetitivo, che richiede che le decisioni siano prese sulla base di dati passati, sarebbe una ovvia area target. Ma tra le aree che potenzialmente potrebbero utilizzare le soluzioni di machine learning vi sono anche: vendite; assistenza clienti; monitoraggio delle spese di back office; manutenzione predittiva; logistica; traduzioni; rischio di credito; premi assicurativi; programmi di fidelizzazione; intrusioni nelle reti; frodi. Ci sono molti altri possibili casi d’uso in cui può essere usato il machine learning: alcuni devono ancora essere scoperti, in quanto la profondità dei problemi che il machine learning può risolvere aumenta in modo significativo insieme alle innovazioni negli algoritmi di apprendimento e nelle infrastrutture scalabili. Siamo all’inizio di una nuova entusiasmante era nell’analisi predittiva e prescrittiva con il machine learning. Si tratta di un enorme cambiamento e di un tipo fondamentalmente diverso di software che utilizza la statistica per risolvere problemi senza programmazione esplicita. Ma richiede una gestione organizzativa olistica poiché ci sono molte questioni riguardanti l’etica, la privacy dei dati, l’interpretabilità e la formazione di team adeguati.
Il machine learning per l’azienda
La conferenza internazionale “Machine Learning for The Enterprise” (Roma, 28-29 ottobre 2019) è incentrata sulle promesse, le sfide e le best practice di applicazione del machine learning nelle grandi aziende. Colossi come Google, Amazon, Netflix e Facebook hanno implementato da anni sistemi sofisticati di apprendimento automatico. Tuttavia, altre aziende stanno cercando di implementare le stesse tecniche di machine learning nei loro sistemi IT a vantaggio delle loro attività. La conferenza si concentrerà sulla definizione di queste tecnologie innovative, descrivendone in dettaglio casi specifici di utilizzo e spiegando come acquisire expertise in questo ambito, oltre a illustrare il panorama attuale dell’offerta attuale di machine learning.
Frank Greco
CEO di Crossroads Technologies e con una vasta esperienza in progetti IT, Frank Greco – oltre a essere blogger e autore – ha una notevole esperienza nella strategia cloud e mobile, nella partnership strategica fra tecnologia e business, nelle infrastrutture di tipo enterprise e nelle tecnologie emergenti, in particolar modo per sistemi finanziari e per le grandi aziende.
Frank Greco sarà il chairman dell’evento di Technology Transfer “Machine Learning for the Enterprise International Conference” che si terrà a Roma il 28-29 ottobre 2019.
