Marginal Column

L'importanza dell'input

Content

Marzo 2017

 

Ciò che per alcuni è preoccupante, per altri è entusiasmante: presto le macchine diventeranno più intelligenti dell’uomo? Le potenzialità delle macchine intelligenti sono chiare, ora che un algoritmo ha sconfitto il campione mondiale di Go, complesso gioco di scacchi asiatico. Ma come apprendono, esattamente, le macchine? E che cosa si cela dietro all’espressione “Machine Learning”?

“Recentemente hai guardato questo prodotto. Forse potrebbe interessarti anche ...?” Che si tratti di shop online, pubblicità o motori di ricerca, apparentemente i computer sanno già in anticipo che cosa vogliamo. Ciò, tuttavia, non ha a che fare con l’empatia, bensì con la matematica: essi, infatti, seguono il nostro comportamento di utente, lo raff rontano con quello di altri, definiscono modelli coincidenti e ne deducono i probabili ambiti d’interesse.

Affinché le macchine possano fare proposte ragionate, rispondere in modo appropriato ai comandi vocali o emettere un allarme in caso di anomalie, i presupposti sono sempre gli stessi: enormi quantità di dati, enormi capacità di calcolo e training. Basandosi su una raccolta metodico-sistematica dei dati, le macchine ottengono conoscenze basate sull’esperienza. Appositi algoritmi, come ad esempio le reti neurali artificiali, contribuiscono a strutturare i dati. Quanto più completi sono i record di dati disponibili, tanto più precisamente la macchina potrà rilevare modelli e correlazioni anche in insiemi di dati complessi.

Sta poi all’uomo stabilire quali dati fornire alla macchina e con quali algoritmi essa dovrà ottenere le funzioni target desiderate. Ad esempio, per le applicazioni industriali, i cosiddetti “Data Scientists”, creativi programmatori con conoscenze di Machine Learning, devono trasformare in un software intelligente il know-how negli ambiti meccanica e processi. Proprio a tale scopo, con ODiN Predictive Maintenance, gli specialisti Bosch Rexroth hanno creato un sistema di Monitoring per la manutenzione preventiva. Il sistema utilizza metodologie di Machine Learning per generare, in base ai dati rilevati dalla sensoristica, conoscenze sullo “stato di salute” dell’impianto e dedurre da queste previsioni affi dabili: in tale modo, i clienti ottengono gli opportuni consigli di manutenzione per i loro impianti.

Per illustrare l’effi cienza di tali sistemi, consideriamo un esempio dall’ambito “diagnostica di usura per impianti industriali”. A livello puramente statistico, un errore viene rilevato casualmente con una probabilità di appena il 13 percento, mentre un tecnico specializzato, sorvegliando costantemente l’impianto, arriverà al 43 percento; con il Machine Learning, il tasso di rilevamento errori è invece superiore al 95 percento.

In sintesi: le macchine sono senz’altro in grado di apprendere. Occorre, tuttavia, che gli algoritmi dispongano di esaurienti record di dati: in questo modo essi potranno trarre conclusioni affi dabili, a vantaggio degli utenti.

Machine Learning Magnifier

Machine Learning