L’Intelligenza Artificiale è alla nostra portata se pensiamo a quante funzionalità siano già in mano a tecnologie di questo tipo negli ambiti di consumo più comuni. La complessità di tale disciplina richiede però competenze di vario settore, compresa quella del Machine Learning Engineer, che permette un’interpretazione e una fruibilità idonea dei dati operati dall’Intelligenza Artificiale

Comprendere il significato delle terminologie utilizzate per definire le nuove tecnologie legate all’Intelligenza Artificiale è importante per carpire quali sono le skills basilari per lavorare in questo settore. L’Intelligenza Artificiale o AI – abbreviazione del termine in inglese – è la parola più antica che possiamo trovare nel vocabolario delle competenze proprie delle macchine. Nata come pratica nei primi anni ‘50, l’Intelligenza Artificiale non è altro che l’insieme delle capacità di una macchina di comprendere, eseguire azioni e riproporre una logica simile a quella umana nell’esprimere volontà e pensiero. Tuttavia l’Intelligenza Artificiale è un compendio di discipline non solo informatiche, ma anche etiche, scientifiche e filosofiche.

Nell’applicazione pratica dell’Intelligenza Artificiale l’informatica dà il suo apporto fornendo i strumenti per progettare elaboratori elettronici in grado di compiere azioni in maniera autonoma. L’espressione odierna comune dell’Intelligenza Artificiale è ben rappresentata dalla Machine Learning e dalla Deep Learning.

La Machine Learning nell’Intelligenza Artificiale

La Machine Learning è un tipo di intelligenza artificiale capace di auto-programmarsi. A differenza dell’Intelligenza Artificiale progettata in tempi più remoti, la Machine Learning, come dice il termine stesso, è la capacità di apprendimento delle macchine, basata non più sulla programmazione di un’azione in previsione di determinate circostanze, ma sull’aspetto decisionale del macchinario, che, in base alla sua capacità di apprendere dall’esperienza, esegue azioni in tal senso. L’esperienza non è altro che una memoria di dati statistici che la macchina apprende e utilizza per compiere azioni “corrette”.

Le indicazioni della macchina vengono utilizzate per aiutare le aziende a lavorare in maniera data-driven ovvero in maniera tale che creatività, esperienza e competenze vengano guidate dalla conoscenza del dato

Analisi descrittive, predittive e prescrittive

A questo punto entra in gioco un livello più elevato di Intelligenza Artificiale, la Deep Learning, che utilizza per l’apprendimento delle reti neurali: dati statistici, appunto. Le implicazioni di questa forma di apprendimento artificiale sono di ampio spettro, poichè consentono alla macchina di estrapolare dai dati sviluppando analisi di tipo descrittivo, predittivo e prescrittivo.

Qual’è la differenza tra queste tre tipologie di analisi?

L’analisi descrittiva esamina un insieme di dati che appartengono ad un’esperienza fatta nel passato, dalla quale emergono fatti che possono essere presi come condizioni certe. L’analisi predittiva analizza i dati raccolti tramite l’analisi descrittiva e attraverso la scienza statistica è in grado di fare delle previsioni sui fatti che accadranno.

L’analisi prescrittiva è invece una tipologia di analisi nella quale le macchine possono manipolare dati in maniera più libera e riconoscerne in maniera autonoma configurazioni estrapolando previsioni che l’uomo non è grado di produrre attraverso le normali scienze statistiche. In tal modo le indicazioni della macchina vengono utilizzate per aiutare le aziende a lavorare in maniera data-driven ovvero in maniera tale che creatività, esperienza e competenze vengano guidate dalla conoscenza del dato.

La figure che lavorano i dati destinati alle macchine: dalle professioni Data Driven a quelle di sviluppo e applicazione della Machine Learning

Le nuove professioni legate a questo tipo di tecnologie sono diverse, tra queste ne troviamo alcune che hanno bisogno di forti skills legate allo sviluppo di programmi informatici, altre invece vengono trainate da skills Data Focused, e altre ancora dove questi aspetti sono mischiati insieme dando vita a figure ibride. Infine, le scienze umanistiche non mancano quando si tratta di lavorare con le macchine. Accanto ai skills tecniche e matematiche, le skills che studiano il rapporto dell’uomo con un’intelligenza artificiale sono essenziali per favorirne un efficace ingresso in azienda e nella società più in generale.

I mestieri più strettamente correlati all’applicazione della Machine Learning vengono considerati come un “ponte tra le potenzialità del dato e la loro manipolazione da parte della macchina”

Quali sono le professioni più richieste in ambito Machine Learning?

Per quanto riguarda i mestieri legati strettamente alla comprensione, al funzionamento e all’applicazione della Machine Learning abbiamo tre figure principali:

• Data Engineer
• Machine Learning Engineer
• Machine Learning Scientist

A complemento di queste figure, in un contesto dove viene applicata l’Intelligenza Artificiale vi sono anche altri ruoli più generici che rispecchiano le skills inerenti in particolar modo all’analisi del dato, alla sua utilità e ambito di applicazione:

• Data Scientist
• Data Analyst
• Citizen Data Analyst
• Esperto di Etica del Dato

Skills e classificazioni di talune professionalità cambiano rapidamente nel settore della tecnologia, in modo ancora più spiccato in ambito AI. Tuttavia i mestieri più strettamente correlati all’applicazione della Machine Learning, cioè quelli dove vengono studiati e applicati i meccanismi di apprendimento e azione di una Intelligenza Artificiale, vengono considerati come un “ponte tra le potenzialità del dato e la loro manipolazione da parte della macchina”. In mezzo a questi due protagonisti – il dato e la macchina – c’è un terzo attore che funge da elemento trainante affinché si realizzi la predizione di azioni, e si tratta proprio della Machine Learning.

Il Machine Learning Engineer/Developer: task principali di una figura chiave nel panorama AI

In particolare, il Machine Learning Engineer è colui che manipola un grande volume di dati, trasmettendoli alla macchina, in modo tale che essa li utilizzi per compiere determinati compiti. La figura del Machine Learning Engineer, spesso assimilata dal Machine Learning Developer, è tra di quelle di spicco nel panorama AI.

Queste le skills che deve possedere un Machine Learning Engineer:

• Concetti di informatica e ingegneria del software
• Analisi dei dati e ingegnerizzazione delle caratteristiche Metriche coinvolte nel ML
• Selezione dell’algoritmo ML e convalida incrociata
• Matematica e statistica

Di seguito invece troviamo i task principali:

• Analizza e verifica l’idoneità di un algoritmo e se questo soddisfa le esigenze dell’attività corrente
• Svolge il ruolo principale nel decidere e selezionare le librerie di Machine Learning per una determinata attività

In un concetto più esteso, l’ingegnere/sviluppatore che si occupa di Machine Learning si accerta che tutte le attività di produzione funzionino in maniera adeguata, nello specifico quelle che riguardano l’esecuzione e la programmazione utilizzando le librerie di dati contenute nella Machine Learning:

• implementando nuove funzionalità
• assicurando che la decodifica dei dati sia gestibile, scalabile e vi sia possibile eseguire il debug
• automatizzando ed estraendo routine ripetibili presenti nelle attività di apprendimento automatico

Questi compiti sono eseguiti al fine di apportare al team di data science le best practice di sviluppo software. Infatti le skills di Data Scientist e Software Engineer sono strettamente legate l’una all’altra e si completano per dare vita alla figura del Machine Learning Engineer, con un obiettivo: affrontare in maniera efficace le sfide imposte da una realtà professionale e tecnologica in costante evoluzione come quella dell’Artificial Intelligence.

Image Credits: https://www.motat.nz/exhibitions/machine-makers/

Author: Claudia Sistelli

© Riproduzione Riservata