Cinque tipi di machine learning da conoscere

Le tecnologie di machine learning (ML) possono guidare il processo decisionale praticamente in tutti i settori, dalla sanità alle risorse umane, alla finanza e in una miriade di casi d’uso, come la visione artificiale, i modelli linguistici di grandi dimensioni (LLM), il riconoscimento vocale, le auto a guida autonoma e altro ancora.

Tuttavia, la crescente influenza del machine learning non è priva di complicazioni. I set di dati di convalida e addestramento che sono alla base della tecnologia ML sono spesso aggregati da esseri umani e gli esseri umani sono suscettibili a pregiudizi e inclini a errori. Anche nei casi in cui un modello ML non è di per sé parziale o difettoso, la sua implementazione nel contesto sbagliato può produrre errori con conseguenze dannose non intenzionali.

Ecco perché diversificare l’utilizzo dell’intelligenza artificiale e del machine learning a livello aziendale può rivelarsi prezioso per mantenere un vantaggio competitivo. Ogni tipo e sottotipo di algoritmo ML presenta vantaggi e funzionalità unici che i team possono sfruttare per attività diverse. Qui discuteremo i cinque tipi principali e le loro applicazioni.

Cos’è l’apprendimento automatico?

Il ML è un sottoinsieme di informatica, scienza dei dati e intelligenza artificiale (AI) che consente ai sistemi di apprendere e migliorare dai dati senza ulteriori interventi di programmazione.

Invece di utilizzare istruzioni esplicite per l’ottimizzazione delle prestazioni, i modelli ML si basano su algoritmi e modelli statistici che distribuiscono attività in base a modelli di dati e inferenze. In altre parole, il machine learning sfrutta i dati di input per prevedere gli output, aggiornandoli continuamente man mano che nuovi dati diventano disponibili.

Sui siti web di vendita al dettaglio, ad esempio, gli algoritmi di apprendimento automatico influenzano le decisioni di acquisto dei consumatori formulando raccomandazioni basate sulla cronologia degli acquisti. Le piattaforme di e-commerce di molti rivenditori, comprese quelle di IBM, Amazon, Google, Meta e Netflix, si affidano a reti neurali artificiali (ANN) per fornire consigli personalizzati. E i rivenditori spesso sfruttano i dati di chatbot e assistenti virtuali, insieme alla tecnologia ML e di elaborazione del linguaggio naturale (NLP), per automatizzare le esperienze di acquisto degli utenti.

Tipi di apprendimento automatico

Gli algoritmi di apprendimento automatico rientrano in cinque grandi categorie: apprendimento supervisionato, apprendimento non supervisionato, apprendimento semi-supervisionato, apprendimento autosupervisionato e apprendimento per rinforzo.

1. Apprendimento automatico supervisionato

L’apprendimento automatico supervisionato è un tipo di apprendimento automatico in cui il modello viene addestrato su un set di dati etichettato (ovvero, la variabile di destinazione o di risultato è nota). Ad esempio, se i data scientist stessero costruendo un modello per la previsione dei tornado, le variabili di input potrebbero includere data, posizione, temperatura, modelli di flusso del vento e altro ancora, e l’output sarebbe l’effettiva attività dei tornado registrata per quei giorni.

L’apprendimento supervisionato è comunemente utilizzato per la valutazione del rischio, il riconoscimento delle immagini, l’analisi predittiva e il rilevamento delle frodi e comprende diversi tipi di algoritmi.

• Algoritmi di regressione—prevedere i valori di output identificando relazioni lineari tra valori reali o continui (ad esempio, temperatura, stipendio). Gli algoritmi di regressione includono regressione lineare, foresta casuale e potenziamento del gradiente, nonché altri sottotipi.
• Algoritmi di classificazione—prevedere variabili di output categoriche (ad esempio, “spazzatura” o “non spazzatura”) etichettando pezzi di dati di input. Gli algoritmi di classificazione includono, tra gli altri, la regressione logistica, i vicini k-più vicini e le macchine a vettori di supporto (SVM).
• Classificatori Naïve Bayes—abilitare attività di classificazione per set di dati di grandi dimensioni. Fanno anche parte di una famiglia di algoritmi di apprendimento generativo che modellano la distribuzione degli input di una determinata classe o/categoria. Gli algoritmi Naïve Bayes includono alberi decisionali, che possono effettivamente ospitare sia algoritmi di regressione che di classificazione.
• Reti neurali—simulare il modo in cui funziona il cervello umano, con un numero enorme di nodi di elaborazione collegati che possono facilitare processi come la traduzione del linguaggio naturale, il riconoscimento delle immagini, il riconoscimento vocale e la creazione di immagini.
• Algoritmi di foreste casuali—prevedere un valore o una categoria combinando i risultati di una serie di alberi decisionali.

2. Apprendimento automatico non supervisionato

Gli algoritmi di apprendimento non supervisionato, come Apriori, i modelli di miscela gaussiana (GMM) e l’analisi delle componenti principali (PCA), traggono inferenze da set di dati senza etichetta, facilitando l’analisi esplorativa dei dati e consentendo il riconoscimento di modelli e la modellazione predittiva.

Il metodo di apprendimento non supervisionato più comune è l’analisi dei cluster, che utilizza algoritmi di clustering per classificare i punti dati in base alla somiglianza dei valori (come nella segmentazione dei clienti o nel rilevamento di anomalie). Gli algoritmi di associazione consentono ai data scientist di identificare associazioni tra oggetti dati all’interno di database di grandi dimensioni, facilitando la visualizzazione dei dati e la riduzione della dimensionalità.

• K-significa clustering—assegna i punti dati in gruppi K, dove i punti dati più vicini a un dato centroide sono raggruppati nella stessa categoria e K rappresenta i cluster in base alla loro dimensione e al livello di granularità. Il clustering K-means è comunemente utilizzato per la segmentazione del mercato, il clustering di documenti, la segmentazione delle immagini e la compressione delle immagini.
• Clustering gerarchico—descrive una serie di tecniche di clustering, incluso il clustering agglomerativo, in cui i punti dati vengono inizialmente isolati in gruppi e quindi uniti in modo iterativo in base alla somiglianza fino a quando rimane un cluster, e il clustering divisivo, in cui un singolo cluster di dati viene diviso in base alle differenze tra i punti dati. .
• Cluster probabilistico—aiuta a risolvere i problemi di stima della densità o di clustering “soft” raggruppando i punti dati in base alla probabilità che appartengano a una particolare distribuzione.

I modelli di ML senza supervisione sono spesso alla base dei sistemi di raccomandazione “i clienti che hanno acquistato questo hanno acquistato anche…”.

3. Apprendimento automatico autocontrollato

L’apprendimento auto-supervisionato (SSL) consente ai modelli di addestrarsi autonomamente su dati senza etichetta, invece di richiedere enormi set di dati annotati e/o etichettati. Gli algoritmi SSL, detti anche algoritmi di apprendimento predittivo o pretesto, apprendono una parte dell’input da un’altra parte, generando automaticamente etichette e trasformando problemi non supervisionati in problemi supervisionati. Questi algoritmi sono particolarmente utili per lavori come la visione artificiale e la PNL, dove il volume dei dati di addestramento etichettati necessari per addestrare i modelli può essere eccezionalmente elevato (a volte proibitivo).

4. Apprendimento per rinforzo

Apprendimento per rinforzo, chiamato anche apprendimento per rinforzo dal feedback umano (RLHF), è un tipo di programmazione dinamica che addestra algoritmi utilizzando un sistema di ricompensa e punizione. Per implementare l’apprendimento per rinforzo, un agente intraprende azioni in un ambiente specifico per raggiungere un obiettivo predeterminato. L’agente viene premiato o penalizzato per le sue azioni sulla base di una metrica stabilita (tipicamente punti), incoraggiandolo a continuare le buone pratiche e scartare quelle cattive. Con la ripetizione, l’agente apprende le migliori strategie.

Gli algoritmi di apprendimento per rinforzo sono comuni nello sviluppo di videogiochi e vengono spesso utilizzati per insegnare ai robot come replicare le attività umane.

5. Apprendimento semi-supervisionato

Il quinto tipo di tecnica di machine learning offre una combinazione tra apprendimento supervisionato e non supervisionato.

Gli algoritmi di apprendimento semi-supervisionato vengono addestrati su un piccolo set di dati etichettati e un grande set di dati non etichettati, con i dati etichettati che guidano il processo di apprendimento per il corpo più ampio di dati non etichettati. Un modello di apprendimento semi-supervisionato potrebbe utilizzare l’apprendimento non supervisionato per identificare i cluster di dati e quindi utilizzare l’apprendimento supervisionato per etichettare i cluster.

Le reti generative avversarie (GAN), uno strumento di deep learning che genera dati senza etichetta addestrando due reti neurali, sono un esempio di machine learning semi-supervisionato.

Indipendentemente dal tipo, i modelli ML possono raccogliere informazioni approfondite dai dati aziendali, ma la loro vulnerabilità al bias uomo/dati rende le pratiche di intelligenza artificiale responsabili un imperativo organizzativo.

Gestisci una gamma di modelli di machine learning con watstonx.ai

Quasi tutti, dagli sviluppatori agli utenti fino ai regolatori, prima o poi si impegnano con le applicazioni dell’apprendimento automatico, indipendentemente dal fatto che interagiscano direttamente con la tecnologia AI o meno. E l’adozione della tecnologia ML non fa che accelerare. Il mercato globale del machine learning è stato valutato a 19 miliardi di dollari nel 2022 e si prevede che raggiungerà i 188 miliardi di dollari entro il 2030 (un CAGR di oltre il 37%).

La portata dell’adozione del machine learning e il suo crescente impatto sul business rendono la comprensione delle tecnologie di intelligenza artificiale e machine learning un impegno costante e di vitale importanza, che richiede un monitoraggio attento e adeguamenti tempestivi man mano che le tecnologie evolvono. Con IBM® watsonx.ai™ AI studio, gli sviluppatori possono gestire facilmente algoritmi e processi ML.

IBM watsonx.ai, parte della piattaforma dati e intelligenza artificiale IBM watsonx™, combina nuove funzionalità di intelligenza artificiale generativa e uno studio aziendale di prossima generazione per aiutare gli sviluppatori di intelligenza artificiale ad addestrare, convalidare, ottimizzare e distribuire modelli di intelligenza artificiale con una frazione dei dati, in un frazione del tempo. Watsonx.ai offre ai team funzionalità avanzate di generazione e classificazione dei dati che aiutano le aziende a sfruttare gli insight sui dati per prestazioni ottimali dell’intelligenza artificiale nel mondo reale.

Nell’era della proliferazione dei dati, l’intelligenza artificiale e l’apprendimento automatico sono parte integrante delle operazioni aziendali quotidiane così come lo sono per l’innovazione tecnologica e la concorrenza aziendale. Ma in quanto nuovi pilastri di una società moderna, rappresentano anche un’opportunità per diversificare le infrastrutture IT aziendali e creare tecnologie che funzionino a vantaggio delle imprese e delle persone che dipendono da esse.

Esplora lo studio di intelligenza artificiale watsonx.ai