Nel panorama in rapida evoluzione dell’Intelligenza Artificiale (IA), il Machine Learning (ML) emerge come una delle tecnologie più innovative e promettenti. In questo articolo, esploreremo cos’è il Machine Learning, i suoi tipi e le tecniche associate, le sue applicazioni in diversi campi, e daremo uno sguardo a come le aziende stanno sfruttando questa tecnologia per migliorare i loro processi.
Cos’è il Machine Learning?
Il Machine Learning, o apprendimento automatico, è una sotto-disciplina dell’Intelligenza Artificiale che si occupa di sviluppare algoritmi in grado di far imparare a un computer da dati senza essere esplicitamente programmati. In altre parole, invece di fornire al computer istruzioni dettagliate su come risolvere un problema, gli diamo un insieme di dati e lo lasciamo estrapolare da essi informazioni utili e relazioni esistenti.
Il Machine Learning è strettamente legato all’IA in quanto rappresenta uno dei modi principali in cui le macchine possono dimostrare intelligenza artificiale, poiché sono in grado di apprendere e migliorare con l’esperienza, senza un intervento umano diretto.
Inoltre, è una parte integrante della Data Science, una disciplina nata negli ultimi anni ma che sta prendendo piede sempre più. In particolare, la Data Science coinvolge tipicamente l’uso di tecniche statistiche e di apprendimento automatico per estrarre conoscenza dai dati.
Un tipico processo di Machine Learning prevede la costruzione di un algoritmo intelligente per la risoluzione di un determinato problema, utilizzando un insieme di dati di addestramento, chiamato in gergo dataset. L’algoritmo impara dai dati ad estrarre informazioni, pattern nascosti e schemi ricorrenti, che gli sono utili per imparare a riconoscere il modello (rappresentazione matematica) del fenomeno che vuole analizzare e quindi a risolvere il problema di partenza.
Un esempio concreto di un problema che un algoritmo di apprendimento automatico può imparare a risolvere è la distinzione tra un’immagine contente gatti e un’immagine contente cani: il dataset sarà necessariamente costituito da immagini ritraenti ciascuna cani o gatti in modo esclusivo e l’algoritmo (che è essenzialmente un classificatore binario) imparerà a modellare le differenze esistenti tra le immagini contenti soggetti diversi. Alla fine del processo di addestramento, se il modello matematico da lui generato è vicino a quello reale, l’algoritmo sarà in grado di distinguere in modo efficace anche immagini che non ha mai visto durante l’apprendimento (Figura 1).
Figura 1 – Classificatore binario
Ovviamente un processo così definito richiede una grande mole di dati di addestramento, la cui mancanza o carenza può comportare perdite prestazionali dell’algoritmo che non è in grado di apprendere da un pool di esempi sufficientemente grande. Per questo motivo, spesso si accompagna il termine Machine Learning a quello di Big Data, ovvero grandissime quantità di dati, che diventano una risorsa preziosa per lo sviluppo di modelli di apprendimento efficaci.
Le diverse sfumature del Machine Learning
Il cliIl Machine Learning è una disciplina estremamente varia, comprendente un’enorme quantità di tecniche e strumenti utili per applicazioni anche molto differenti tra loro. Una prima classica suddivisione di queste tecniche riguarda la modalità di apprendimento degli algoritmi di machine learning:
- Supervisionato: un algoritmo viene addestrato su un dataset in cui i risultati desiderati sono noti. In particolare, ciascun dato è etichettato (labeled) con il risultato reale. L’algoritmo impara quindi a fare previsioni o classificazioni basate su dati simili. Riprendendo l’esempio precedente del classificatore di immagini, il modello impara a riconoscere e separare le immagini contente gatti e cani guidato dalle etichette (labels) associate a ciascuna immagine. Una volta addestrato, l’algoritmo sarà in grado di etichettare lui stesso anche immagini non appartenenti al dataset di training.
- Non Supervisionato: il modello viene addestrato su dati non etichettati (unlabeled) e deve trovare autonomamente dei pattern o delle relazioni nei dati. Sempre prendendo ad esempio il classificatore di immagini, questo imparerà a distinguere le immagini in modo non guidato, naturalmente raggruppando insieme dati simili tra loro per caratteristiche arbitrarie dell’algoritmo.
- Per Rinforzo: Qui il modello impara attraverso l’interazione con un’ambiente. Riceve feedback in base alle azioni che esegue e cerca di massimizzare una ricompensa. È comunemente utilizzato in giochi, robotica e ottimizzazione.
Una menzione speciale deve avere il Deep Learning, una sottocategoria del machine learning che utilizza Deep Artificial Neural Networks (reti neurali artificiali profonde) per apprendere da dati complessi. Queste reti neurali profonde hanno dimostrato avere una straordinaria capacità nell’elaborazione di immagini, il riconoscimento vocale e molte altre applicazioni. Non a caso, la maggior parte degli algoritmi già esistenti per la classificazione di immagini con gatti e cani sono proprio varianti speciali di reti neurali.
Applicazioni del Machine Learning
Il Machine Learning è onnipresente nelle applicazioni moderne. Le imprese di fama mondiale lo sfruttano in modo creativo per migliorare i loro prodotti e servizi. Per citarne una tra le più famose, Google utilizza il Machine Learning per migliorare costantemente i risultati delle ricerche degli utenti, con algoritmi all’avanguardia basati su un ramo abbastanza sviluppato del ML, ovvero NLP (Natural Language Processing), che analizzano i comportamenti degli utenti e le tendenze di ricerca sulle parole chiave per fornire risultati più pertinenti.
Ancora, Amazon utilizza il ML per suggerire prodotti ai suoi clienti in base al loro storico di acquisti e navigazione. Questo sistema di raccomandazione aumenta significativamente le vendite. Un applicativo simile per sistemi di raccomandazione è utilizzato da Netflix per personalizzare le raccomandazione di film e serie tv. Questo approccio incrementa l’impegno degli utenti e la loro fedeltà alla piattaforma.
Una esperienza diversa, invece, con l’utilizzo del ML è data da Tesla, le cui vetture utilizzano dati sensoriali e algoritmi di ML in grado di analizzare le immagini stradali per eseguire la segmentazione degli oggetti su strada e stimare la profondità di campo, allo scopo di offrire funzionalità di autopilota avanzate.
La nostra esperienza
Anche Sautech si è avvicinata alle potenzialità offerte dal Machine Learning per offrire un’esperienza unica e intelligente all’utente, e migliorare i processi aziendali. Innanzitutto, abbracciamo l’innovazione portata dall’Intelligenza Artificiale sfruttando le funzionalità di una delle più diffuse applicazioni di Natural Language Processing (NLP), ChatGPT, per migliorare le tempistiche dei task di lavoro e la produttività, consentendo una maggiore attenzione alle attività aziendali principali.
Un esempio concreto, invece, della nostra esperienza in ambito ML è l’app ” TRY IT ON” (Figura 2), che utilizza l’apprendimento automatico per consentire ai clienti di provare virtualmente abiti e accessori prima di acquistarli online. Questo migliora l’esperienza del cliente e riduce il numero di resi. L’algoritmo dietro TRY IT ON è frutto di un intenso uso di sistemi di ML pubblicamente disponibili e di algoritmi implementati ad-hoc per funzionalità intelligenti specifiche.
Ad esempio, si consideri che i file digitali possono essere condivisi a livello globale sotto forma di inventari virtuali e prodotti localmente, invece di spedire fisicamente parti e prodotti finiti. O, ancora, la creazione di una piattaforma di stampa 3D digitale può riunire diversi cicli produttivi per rendere il servizio più efficiente e sostenibile, anche per gli utenti finali.
Figura 2 – TRY IT ON in funzione
Innanzitutto, il camerino virtuale utilizza l’avanzato strumento MediaPipe Pose per il rilevamento dei landmarks (marcatori) del corpo allo scopo di creare un avatar altamente somigliante all’utente umano. Il risultato è combinato con le funzionalità offerte da OpenCV (Open Source Computer Vision), una piattaforma libera che permette di utilizzare algoritmi all’avanguardia di Visione Artificiale. La combinazione di questi potenti strumenti ha permesso di creare un algoritmo di ML per la misurazione corporea automatica, che tramite semplici immagini è in grado di catturare le misure reali dell’utente e mostrare quindi a schermo un avatar notevolmente somigliante.
Come risultato, TRY IT ON è un sistema che offre all’utente un’esperienza altamente immersiva, che simula oltre allo specchio virtuale anche il feeling realistico dell’indosso degli abiti disponibili nel camerino.
Pensando al futuro, prevediamo di migliorare ulteriormente l’efficienza dell’applicativo calibrando il sistema di misurazione attualmente utilizzato. In quest’ottica, è in fase di sviluppo la creazione di un nuovo dataset di immagini di avatar sintetici generati tramite il plugin MB-LAB di Blender. Questo strumento permette di ottenere, tramite una combinazione di una serie di parametri, delle figure umane diverse per altezza, muscolatura, etnia, ecc. Il dataset sintetico delle misure antropometriche sarà utilizzato per migliorare e validare l’efficienza del modello intelligente di misurazione attualmente a disposizione.
In conclusione, il Machine Learning è una tecnologia potente che ha rivoluzionato l’Intelligenza Artificiale. Grazie alle sue potenzialità può essere applicato in una vasta gamma di settori, migliorando processi e offrendo soluzioni innovative. Le aziende che sfruttano questa tecnologia stanno ottenendo vantaggi competitivi significativi, dimostrando il potenziale trasformativo del Machine Learning nell’era moderna.
