- Cos’è l’apprendimento automatico
- Modelli e algoritmi di Machine Learning
- Esempi di Machine Learning in azienda
- L’apprendimento automatico nella BI
Cos’è l’apprendimento automatico
Il Machine Learning (o apprendimento automatico) è una tecnica di intelligenza artificiale che permette ai sistemi di eseguire compiti grazie alla sola applicazione di modelli statistici per l’estrazione di informazioni dai dati senza, quindi, il bisogno di imputare istruzioni specifiche. In poche parole, con il Machine Learning, i sistemi informatici sono in grado di imparare nuovi comportamenti dai dati in modo autonomo.
Per comprendere meglio cos’è il Machine Learning, può essere utile analizzare le differenze con i principali concetti utilizzati nell’ambito AI e Analytics:
- Differenze con l’intelligenza artificiale: spesso utilizzati come sinonimi, in realtà, ML e AI sono due concetti differenti. L’AI utilizza tecniche di analisi avanzata e di logica (tra cui l’apprendimento automatico) per interpretare gli eventi, supportare e automatizzare le decisioni, offrire esperienze e intraprendere azioni. Di fatto, quindi, il Machine Learning è un sottoinsieme dell’intelligenza artificiale.
- Differenze con il deep learning: se il Machine Learning è l’insieme delle tecniche sviluppate per l’autoapprendimento, il deep learning è una metodologia specifica per ricavare informazioni dai big data basandosi sulle reti neurali profonde.
- Differenze con la data science: a differenza del Machine Learning che, come abbiamo visto, è una metodologia per sviluppare software in grado di imparare da un determinato set di dati di input, la Data Science mostra trend e insight utili ad agire efficacemente di fronte ai vari scenari ipotizzati.
Modelli e algoritmi di Machine Learning
Il Machine Learning si basa su diverse tipologie di algoritmi e, di conseguenza, modelli. Se gli algoritmi sono pezzi di codice che aiutano ad esplorare e dare un significato a set di dati complessi, i modelli di ML mirano, invece, ad individuare criteri per formulare previsioni o classificare le informazioni.
In generale gli algoritmi di ML si possono distinguere in tre diversi stili di apprendimento a seconda del tipo di output atteso e del tipo di input:
- L’apprendimento supervisionato (supervised learning), in cui il sistema impara a riconoscere un pattern tra una serie di input e output predefiniti. Il modello viene prima addestrato su dei dati di training e poi su dei dati di testing per valutarne le prestazioni.
- L’apprendimento non supervisionato (unsupervised learning), dove il programma cerca di scoprire relazioni nascoste nei dati senza un’idea definita dell’output. In questo caso il modello cerca di scoprire le caratteristiche del dataset o dei cluster di dati simili.
- L’apprendimento per rinforzo (reinforcement learning), avviene quando il software impara a prendere decisioni basate su un feedback positivo o negativo. Il modello cerca così di massimizzare la funzione di ricompensa nel raggiungere un obiettivo specifico.
Esempi di Machine Learning in azienda
Nonostante l’apprendimento automatico sembri una disciplina distante dal contesto pratico, già oggi possiamo riscontrare applicazioni utili per l’ambito business. Alcuni esempi di Machine Learning applicati al contesto aziendale, ad esempio, possono essere:
- Previsione della domanda: attraverso l’analisi predittiva è possibile comprendere il trend futuro di un bene o servizio, pianificando la produzione e la vendita in modo più efficiente;
- Manutenzione predittiva: gli algoritmi di Machine Learning analizzano i dati al fine di anticipare eventuali guasti, permettendo alle aziende di organizzare azioni tempestive;
- Personalizzazione dell’offerta: in base agli acquisti pregressi e alle preferenze dei clienti è possibile proporre offerte di acquisto su misura, aumentando la customer retention;
- Sentiment analysis: l’apprendimento automatico permette di analizzare le opinioni dei clienti, ad esempio attraverso i social, e di comprendere meglio le loro necessità;
- Process automation: il Machine Learning viene utilizzato per automatizzare i processi decisionali, come la valutazione dei rischi fiscali o la selezione dei candidati di lavoro.
L’apprendimento automatico nella BI
L’utilizzo del Machine Learning in azienda può fornire un importante vantaggio competitivo, migliorando l’efficienza del business con una maggiore consapevolezza decisionale.
Esistono infatti software di Business Intelligence e Data Analytics con sistemi integrati di ML in grado di elaborare la mole di dati aziendali in insights strategici facilmente fruibili.
Uno tra questi è Qlik, la piattaforma di Business Analytics proposta da ITReview: tra le varie funzionalità, l’integrazione del sistema Qlik AutoML in Qlik Sense permette di:
- pubblicare rapidamente i dati analizzati in modo agevole;
- trasportare direttamente i modelli nelle dashboard di BI;
- eseguire tipologie di analisi completamente interattive;
- pianificare scenari what-if e azioni da intraprendere.
