Le big company di Internet hanno reso molto famoso il machine learning raccontando storie di successo di come questi algoritmi abbiano migliorato i loro prodotti e servizi, e generato un impatto positivo per tutto il business. D’altronde non si possono fornire prodotti e servizi di successo in modo economicamente vantaggioso se non sei in grado di fare una previsione accurata che tenga conto dei dati storici e degli scenari futuri. 

Si ha bisogno infatti di fare affidamento sull’analisi dei dati per sviluppare previsioni e forecasting, funzioni che in passato erano appannaggio della business intelligence e del data mining: strumenti e tecniche che analizzano i dati aziendali storici aiutando a prevedere il futuro, nell’obiettivo di aumentare le performance.

Il machine learning non è affatto un nuovo concetto, ma un approccio diverso rispetto al forecasting come lo conosciamo oggi. Tra le origini dell’intelligenza artificiale e nel suo intento c’è l’obiettivo di replicare l’intelligenza umana usando la macchina per simulare la rete neurale del nostro cervello. Per fare vero machine learning servono ingenti risorse di calcolo e algoritmi sufficientemente sofisticati. 

Con l’avvento del cloud computing, specialmente negli ultimi anni, le potenzialità del machine learning sono state dimostrate e amplificate in modo esponenziale, unitamente alle evoluzioni in fatto di data mining e alla disponibilità di grandi quantità di dati. Questa nuova forma più potente di machine learning viene anche chiamata Deep Learning e sta fornendo previsioni molto accurate, a livelli mai raggiunti in passato, secondo gli esperti del settore.

Ma proviamo a osservare qual è il processo complessivo di un’implementazione di machine learning.

In una primissima fase occorre raccogliere e analizzare grandi quantità di dati. Questi dati servono per ricercare pattern statistici che vengono poi codificati in un modello, e testati accuratamente. Nel momento in cui l’operatore, generalmente l’azienda, è soddisfatta dei test, il che vuol dire che il modello è in grado di fornire risultati coerenti e soddisfacenti ai fini del business, questo viene messo finalmente in produzione.  

Per un sistema in grado di produrre risultati efficaci e accurati è necessario assicurarsi che stia effettivamente leggendo grandi serie di dati, anzi dati puliti e di alta qualità e completi tali da rappresentare realmente il business che si sta cercando di analizzare. Più dati sono disponibili, più accurate sono evidentemente le previsioni. Questo vuol dire che in un mondo dinamico e in un ambiente in continua evoluzione, sia i dati sia i modelli devono essere continuamente modificati, adattati e ottimizzati dai data scientist.

Attualmente ci sono due tipi fondamentali di algoritmi di apprendimento automatico. Uno è quello che viene chiamato apprendimento supervisionato e riguarda una raccolta di algoritmi che sviluppano il proprio lavoro con l’aiuto della guida umana. Di converso l’apprendimento non supervisionato offre la promessa che le macchine possono scoprire i modelli ricercati senza alcuna assistenza umana.

Sono tanti e vari i sistemi che possono trarre vantaggio da applicazioni di machine learning: dipartimento vendite per produrre un business forecasting più accurato, il customer care per una migliore assistenza clienti addirittura predittiva, programmi fedeltà, riconoscimento di frodi finanziarie o intrusioni nelle reti nel complesso mondo della cybersecurity, manutenzione predittiva dei macchinari industriali, sono solo alcuni degli esempi sfidanti per un settore entusiasmante.