1 febbraio 2018 Erica

NET-EXPERT AL MACHINE LEARNING GOOGLE DAY

UN ASSAGGIO DEL FUTURO, GIA’ TRA NOI

Se ne parla sempre di più ma spesso non si ha un’idea chiara sulla natura di tale insieme di metodi scientifici denominati “Machine Learning” e che ruolo possano avere, ora e in futuro, nelle nostre vite e nel nostro business: ecco perchè il 19 Gennaio 2018 ci siamo dedicati ad un approfondimento tecnico e strategico intensivo di sistemi di apprendimento automatico presso la sede di Milano di Google Italia.

Corso e workshop tenuto dalla bravissima Carlotta Orsenigo, docente e ricercatrice presso il Politecnico di Milano e organizzato da Work Wide Women, realtà nazionale che da anni promuove lo sviluppo e la formazione delle donne nel digitale.

Sostanzialmente il machine learning è una disciplina di Data Mining che studia e crea algoritmi in grado di apprendere conoscenza da un insieme di dati e di sfruttarla in seguito per elaborarne di nuovi. Si impara dal passato per prevedere il futuro: concetto di certo non nuovo ma che diventa ora concreto per le aziende fornendo vantaggi competitivi di grande valore.

Scopri con noi cosa abbiamo appreso sul machine learning e alcune delle sue applicazioni pratiche.

 

UN SEMPLICE ESEMPIO APPLICATIVO: IL PUNTO DI PARTENZA

 

Consideriamo di avere un database di dati aziendali (tecnicamente chiamato training set) , con all’interno alcune variabili raccolte sui dipendenti come il numero degli anni di lavoro, la sua valutazione, le soglie di salario e molto altro. Un algoritmo di machine learning apprende come differenziare i diversi dati e, impostata una precisa domanda (variabile guida) impara a classificare nuovi dati diversi da quelle iniziali usati durante l’addestramento. In questo modo un’azienda può ottenere una funzione matematica intelligente che impara a lavorare da sola, senza alcuna istruzione o suggerimento, per restituirci istruzioni e predizioni altamente verosimili del futuro.

 

Potremo quindi conoscere in anticipo quali saranno i dipendenti che avranno una maggiore probabilità di abbandonare un’azienda oppure programmare in anticipo l’apertura differenziata delle casse di un’intera catena di supermercati a livello nazionale e ottimizzarne di flussi di persone.

 

Le tecniche di machine learning sono spesso utilizzate per risolvere problemi di varia nature quali classificazione, clustering, stima delle densità di probabilità e altro ancora riguardanti dati in possesso delle aziende, usando diversi paradigmi di apprendimento quali supervisionato, non supervisionato, semi-supervisionato o con rinforzo.

 

MACHINE LEARNING, BIG DATA E PRIVACY: RICCHEZZE E LIMITI

 

Tra i dati in possesso delle aziende ci sono anche quelli preziosissimi che riguardano le informazioni personali dei clienti: tali ricchi database, tratti spesso dalle carte fedeltà o da programmi di fidelizzazione, racchiudono molte variabili che ci permetterebbero di lavorare su aspetti quantitativi e qualitativi potenzialmente molto redditizi.

Essendo ora in pieno approccio Omni-channel, nel quale l’utente viene posto al centro dell’intera strategia aziendale di marketing e comunicazione (online e offline insieme), avere dati sensibili a disposizione che ci permettono di comprendere il comportamento degli utenti nel processo d’acquisto e di anticiparlo orientandone la scelta sembra una direzione allettante. D’altronde ci sono già grandi colossi internazionali che compiono operazioni di sfruttamento di tali bacini di dati, anche nazionali, riuscendo a incamerare ingenti guadagni dalla loro lavorazione e raffinazione (cito Amazon su tutti ma non è l’unico).

 

Perché allora limitarci a guardare?

Il grande problema che ci troveremmo tuttavia ad affrontare riguarda l’imminente adeguamento della legge sulla privacy agli standard europei previsto per maggio 2018 e che pone vincoli all’utilizzo dei dati sensibili degli utenti ben maggiori rispetto al presente.

Un maggiore controllo dei propri dati sensibili da parte dell’utente renderebbe difficoltoso e a volte impossibile l’utilizzo di tali tecniche: staremo a vedere come verranno affrontati tali problemi dalle grandi aziende e dai legislatori.

 

COME FUNZIONA UN ALGORITMO DI MACHINE LEARNING?

 

Se si vuole scendere ancora più in profondità allora è necessario sapere che il machine learning si suddivide in due diversi approcci: apprendimento supervisionato e non supervisionato.

Nell’apprendimento supervisionato gli elementi del training set sono etichettati numericamente o attraverso categorie: ad esempio se un cliente ha acquistato in passato un dato prodotto verrà contraddistinto da Sì, NO oppure 0,1 ecc…  

In quello non supervisionato non viene impostata la variabile guida per la ricerca di un modello predittivo e si può procedere solo nella ricerca di affinità o ricorrenze presenti nelle osservazioni dei dati.

Nel machine learning la maggior parte dei problemi è infatti di natura non lineare,  nei quali i dati non riescono a essere classificati con metodi tradizionali e perciò si utilizzano metodi e strategie come reti neurali, support vector machine (SVM) , regressione logistica, K-Nearest Neighbors (KNN), boosting e molto altro.

Si genera quindi un modello col quale cui addestrare l’algoritmo di machine learning prestando attenzione all’interferenza di eventuali problemi (quali under/overfitting) con successiva validazione finale. Questo framework analitico permette di generare conoscenza e costruire algoritmi di machine learning in grado di agire autonomamente, avendo imparato da esempi e dall’esperienza, per  poi successivamente restituirci un modello d’azione futuro.

Fonte: Google Day Machine Learning, 19.01.2018

L’immagine mostra un chiaro esempio di overfitting che si presenta quando l’algoritmo si specializza troppo nel modellare i dati del training set, perdendo la capacità di generalizzare.

Diversamente, l’underfitting compare quando l’algoritmo utilizzato non è in grado di modellare in maniera sufficiente  la distribuzione dei dati.

 

LE TANTE APPLICAZIONI PRATICHE DEL MACHINE LEARNING

 

Il machine learning è un argomento vario, complesso e ancora in fase di definizione.

I suoi campi di applicazione però sono già attualmente svariati e molteplici:

  • retail (identifica segmenti di clienti che con maggiore probabilità risponderanno ad un’alta azione di marketing oppure segmenti di clienti  con un comportamento di acquisto simili)
  • banking (identifica transazioni monetarie illecite)
  • assicurazioni (identifica segmenti di clienti che, con maggiore probabilità, cambieranno società di assicurazione)
  • healthcare (identifica segmenti di pazienti che con maggiore probabilità saranno ri-ospedalizzati entro un certo lasso di tempo).

Esistono tantissime altre aree in cui il machine learning può essere utilizzato con aspetti molto più pratici e tangibili come ad esempio nell’attività di object recognition nei sistemi di videosorveglianza e di sicurezza all’interno di un video o di immagini o di segnali o nel face detection and recognition.

Fonte: paper accademico “An Autonomous Vehicle for Video Surveillance of Indoor Environments” di Christian Micheloni, Gian Luca Foresti, Claudio Piciarelli e Luigi Cinque. Esempio di Object detection di oggetti in movimento all’interno dell’Università di Udine.

 

Non solo esperimenti accademici, il face recognition ad esempio è già realtà: hai visto come si sblocca l’iphone X?

 

 

Da questa giornata di formazione  abbiamo avuto una precisa  conferma: il machine learning è già  tra noi, attuale, presente, costante e diverrà sempre più intrinseco nelle nostre vite, dai momenti di svago a quelli lavorativi. In Cina (Hangzhou) ad esempio si sta già testando il nuovo modello di pagamento tramite riconoscimento facciale

 

Pensaci un attimo:  

il machine learning potrebbe essere utile anche per la tua azienda?

 

Versione per la stampa Versione per la stampa
, , ,