Come vengono elaborati i dati nella Machine Learning? Esistono modalità differenti di apprendimento automatico e ognuna insegna alla macchina dei modelli di comportamento che portano risultati altrettanto differenti in termini di qualificazione e predittività delle informazioni trapelate

In questo articolo si parla di:

La Machine Learning, o apprendimento automatico, è una branca dell’intelligenza artificiale che, nello specifico ambito informatico, si basa sull’abilità di una macchina di apprendere delle informazioni dai dati, al fine di elaborare delle regole di comportamento e agire secondo queste ultime. La macchina può elaborare tali regole per mezzo di varie tecniche, come ad esempio la statistica, secondo la quale si migliora la performance di un algoritmo nell’identificazione di un determinato pattern di dati.

Le tre macrocategorie di Machine Learning

Allo stato dell’arte attuale, esistono 3 grandi sottogruppi di Machine Learning: l’apprendimento con supervisione – o supervised learning, l’apprendimento senza supervisione o unsupervised learning e infine l’apprendimento con rinforzo o reinforcement learning. Vediamo le caratteristiche peculiari di ciascuna modalità di apprendimento.

Apprendimento con supervisione: le etichette che istruiscono la macchina

In questa tipologia di apprendimento lo scopo è istruire un modello partendo da dati etichettati, ovvero già predisposti e qualificati, i cui segnali di output – le etichette – sono già noti alla macchina. Un esempio di applicazione di supervised learning è il filtraggio di messaggi di posta elettronica in spam e non spam, attraverso un prototipo di messaggi che sono stati etichettati e contrassegnati per mezzo di qualifiche – dette anche classificazioni – già indicate alla macchina, alla quale rimane il compito di individuarle per compiere l’azione di filtraggio.

Apprendimento con rinforzo: sbaglia, correggi e riprova

Attraverso l’apprendimento con rinforzo viene creato un sistema – detto agente – che migliora le proprie capacità di discernimento sulla base di interazioni con l’ambiente. Questo avviene per mezzo di segnali di ricompensa – reward – che non corrispondono né a etichette né a valori di verità, ma ad una misura di qualità propria dell’azione motivo della ricompensa. In tal modo, un agente impiega il reinforcement learning per apprendere un serie di azioni che massimizzano la ricompensa attesa. L’approccio, per la macchina, è esplorativo – del tipo “prova – sbaglia – correggi, impara e riprova” – e produce azioni più autonome e deliberate rispetto al puro apprendimento con supervisione. Tuttavia l’azione è modulata dal tipo di feedback ricevuto – negativo o positivo – dalla macchina ed è da esso che viene disciplinato.

Apprendimento non supervisionato: caratteristiche e vantaggi

L’apprendimento senza supervisione prevede la costruzione di modelli di dati senza etichette o meccanismi di rinforzo. L’obbiettivo di tale apprendimento è che, attraverso meccanismi in cui la macchina mima determinati comportamenti, essa generi una rappresentazione propria dei dati che le vengono dall’esterno. In questo tipo di apprendimento la macchina produce una auto-organizzazione dei dati assimilati, in grado di catturare schemi e probabilità. Due esempi di apprendimento non supervisionato sono le reti neurali e le metodologie di calcolo basate sulla probabilità.

Una peculiarità dell’apprendimento non supervisionato è quello di poter individuare strutture nascoste di dati e le conseguenti caratteristiche, risultato che sarebbe improbabile attraverso un modello di apprendimento supervisionato come quello del reinforcement learning, dove esiste la guida di una variabile risultante da una nota di ricompensa.

Author: Claudia Sistelli

© Riproduzione Riservata