Iscriviti al feed

La tecnologia AI/ML, contrazione di intelligenza artificiale (AI) e machine learning (ML), rappresenta un'importante evoluzione nel campo delle scienze informatiche e dell'elaborazione dei dati e sta rivoluzionando rapidamente numerosi settori.

Nel momento in cui aziende e altre organizzazioni affrontano la trasformazione digitale, si trovano davanti a un fiume in piena e in continua crescita di dati che al contempo è incredibilmente prezioso, ma anche sempre più complesso da raccogliere, elaborare e analizzare. Sono necessari nuovi strumenti e metodologie per gestire la grande quantità di dati raccolti, per analizzarli e trarne informazioni approfondite e per intervenire in base a tali informazioni una volta rilevate.

È qui che entrano in gioco l'intelligenza artificiale e il machine learning.

Cos'è l'intelligenza artificiale?

In genere con l'espressione intelligenza artificiale (AI) si intendono processi e algoritmi in grado di simulare l'intelligenza umana, anche imitando funzioni cognitive quali percezione, apprendimento e risoluzione dei problemi. Machine learning e deep learning (DL) sono delle sottocategorie di AI.

Tra le applicazioni pratiche specifiche dell'AI si annoverano i motori di ricerca web moderni, i programmi con assistente personale in grado di comprendere il linguaggio parlato, i veicoli a guida autonoma e i sistemi di raccomandazione, come quelli di cui si avvalgono Spotify e Netflix.

Esistono quattro livelli o tipi di AI, due dei quali sono già disponibili e altri due che per ora restano ancora concetti teorici.

Quattro tipi di AI

I quattro tipi di AI, ordinati dal più semplice al più avanzato, comprendono macchine reattive, memoria limitata, teoria della mente e autoconsapevolezza.

Le macchine reattive sono in grado di eseguire operazioni di base in seguito a una qualche tipologia di input. A questo livello di AI, non avviene alcun "apprendimento": il sistema viene addestrato allo svolgimento di una certa attività o di un insieme di attività e non se ne discosta mai. Si tratta di macchine puramente reattive che non archiviano gli input e che non sono in grado di funzionare al di fuori di un certo contesto o di evolversi nel tempo.

Sono esempi di macchine reattive la maggior parte dei sistemi di raccomandazione, l'AI per gli scacchi Deep Blue di IBM e AlphaGo AI di Google (verosimilmente il miglior giocatore di Go al mondo).

I sistemi di AI con memoria limitata sono in grado di archiviare i dati in entrata e quelli relativi alle azioni compiute o alle decisioni prese, per poi analizzarli e migliorare con il passare del tempo. È qui che ha davvero inizio il "machine learning", poiché per consentire l'apprendimento è necessaria la memoria limitata.

Queste AI con memoria limitata possono migliorare nel tempo, per questo sono le più avanzate sviluppate fino a oggi. Ne costituiscono esempi i veicoli a guida autonoma, gli assistenti vocali virtuali e i chatbot. 

La teoria della mente è il primo dei due tipi di AI più avanzati e (attualmente) teorici che non sono stati ancora realizzati. A questo livello, le AI inizierebbero a comprendere i pensieri e le emozioni umane e a interagire con noi in maniera significativa. Il rapporto tra l'essere umano e l'AI diventerebbe così reciproco, a differenza del semplice rapporto unidirezionale che gli umani hanno oggi con diverse AI meno avanzate.

L'espressione "teoria della mente" è stata presa in prestito dalla psicologia e in questo caso fa riferimento a un'AI in grado di comprendere il fatto che gli esseri umani hanno pensieri ed emozioni che, a loro volta, influiscono sul comportamento dell'AI.

L'autoconsapevolezza rappresenta il fine ultimo per molti sviluppatori di AI che sarebbero così caratterizzate da una coscienza di livello umano, consapevolezza di sé come esseri esistenti nel mondo con desideri ed emozioni simili a quelli degli uomini. Per il momento, le AI autoconsapevoli sono mera fantascienza.

Cos'è il machine learning?

Il machine learning (ML) è una sottocategoria dell'AI che rientra nella categoria della "memoria limitata", in cui l'AI (macchina) è in grado di apprendere e svilupparsi nel tempo.

Gli algoritmi di machine learning sono numerosi, ma i tre tipi principali sono l'apprendimento supervisionato, l'apprendimento non supervisionato e l'apprendimento per rinforzo. 

I tre tipi di algoritmi di machine learning

Come i vari tipi di AI, anche i diversi tipi di machine learning coprono vari livelli di complessità. Nonostante l'esistenza di altri tipi di algoritmi di machine learning, la maggior parte rappresenta una combinazione dei tre tipi principali o si basa su di essi.

L'apprendimento supervisionato è il più semplice ed è lapalissiano che riguardi la supervisione attiva di un'AI è attivamente durante l'intero processo di apprendimento. I ricercatori o i data scientist forniscono alla macchina una quantità di dati da elaborare e da cui apprendere, insieme ad alcuni esempi dei risultati che tali dati dovrebbero produrre (indicati più formalmente come input e output desiderati).

Il risultato dell'apprendimento supervisionato è un agente in grado di prevedere i risultati sulla base dei nuovi dati inseriti. La macchina può continuare a perfezionare l'apprendimento archiviando e rianalizzando continuamente queste previsioni, migliorandone la precisione nel tempo.

Tra le applicazioni di machine learning supervisionate si annoverano sistemi di riconoscimento delle immagini, sistemi di raccomandazioni per i media, analisi predittiva e rilevamento dello spam.

L'apprendimento non supervisionato non prevede l'intervento umano durante il processo di apprendimento. L'agente riceve una quantità di dati da analizzare e vi identifica i modelli in modo indipendente. Questo tipo di analisi può essere estremamente utile, perché le macchine riescono a riconoscere un numero e una varietà maggiori di modelli in qualsiasi set di dati rispetto agli esseri umani. Come il machine learning supervisionato, anche quello non supervisionato può apprendere e migliorare nel tempo.

Le applicazioni di machine learning non supervisionato includono attività come la determinazione dei segmenti di clienti nei dati di marketing, l'imaging medico e il rilevamento delle anomalie.

L'apprendimento per rinforzo è il più complesso dei tre algoritmi, in quanto non prevede la fornitura di set di dati per l'addestramento della macchina, ma l'agente apprende interagendo con l'ambiente in cui si trova. Riceve così riscontri positivi o negativi in base alle azioni intraprese e migliora nel tempo perfezionando le risposte al fine di massimizzare i riscontri positivi.

Tra le applicazioni di apprendimento per rinforzo figurano i robot industriali a miglioramento autonomo, la compravendita automatizzata di azioni, i sistemi di raccomandazione avanzati e l'ottimizzazione delle offerte per massimizzare la spesa per la pubblicità.

Cos'è il deep learning?

Il deep learning (DL) è una sottocategoria del machine learning che tenta di emulare le reti neurali umane, eliminando la necessità di dati pre-elaborati. Gli algoritmi di deep learning sono in grado di acquisire, elaborare e analizzare grandi quantità di dati non strutturati, per apprendere senza alcun intervento umano.

Come altri tipi di machine learning, un algoritmo di deep learning può migliorare nel tempo.

Tra le applicazioni pratiche del deep learning si annoverano lo sviluppo della visione artificiale, il riconoscimento facciale e l'elaborazione del linguaggio naturale.

AI, machine learning e deep learning a confronto

Il deep learning è quindi una sottocategoria del machine learning, che a sua volta è una sottocategoria dell'intelligenza artificiale. Ma quali sono le analogie e le differenze effettive tra di essi?

Un metodo comune per illustrare la correlazione tra questi concetti è rappresentato da un insieme di cerchi concentrici, con l'AI all'esterno e il DL al centro.

Figure 1.

Come spiegato in precedenza, esistono quattro tipi di AI, due dei quali sono ancora puramente teorici. Quello di intelligenza artificiale è quindi il concetto più ampio e generico di creazione di macchine che simulano l'intelligenza e il pensiero umani. Il fine ultimo della creazione di un'intelligenza artificiale autoconsapevole va ben al di là delle nostre attuali capacità, pertanto gran parte di ciò che costituisce l'AI è al momento impraticabile.

Il machine learning, invece, è un'applicazione pratica dell'AI attualmente possibile, essendo del tipo "a memoria limitata".

In linea di massima, il machine learning è ancora relativamente semplice, dal momento che la maggior parte degli algoritmi di ML presenta soltanto uno o due "livelli", come un livello di input e un livello di output, e pochi o nessun livello di elaborazione tra questi. I modelli di machine learning sono in grado di migliorare nel tempo, ma spesso richiedono interventi umani e ripetizioni dell'addestramento.

Invece il deep learning è caratterizzato da più livelli ed è proprio da questi ulteriori livelli di elaborazione "nascosti" che trae il proprio nome. Gli algoritmi di deep learning sono essenzialmente ad addestramento autonomo, in quanto in grado di analizzare le proprie previsioni e i propri risultati per valutarne e adattarne la precisione nel tempo. Insomma, sono in grado di apprendere in maniera indipendente.

Il DL può farlo grazie agli algoritmi multilivello che insieme costituiscono quella che viene definita una rete neurale artificiale. Queste reti traggono ispirazione dalle reti neurali del cervello umano, ma ovviamente non riescono a raggiungere quel livello di sofisticatezza. Detto questo, sono notevolmente più avanzati rispetto ai modelli di ML più semplici e sono i sistemi di AI più avanzati che attualmente siamo in grado di realizzare.

Perché la tecnologia AI/ML è così importante?

Non è un segreto che i dati rappresentino una risorsa sempre più importante per le aziende e che la quantità di dati generati e archiviati stia aumentando in modo esponenziale su scala globale. Naturalmente la raccolta dei dati è inutile se non vengono utilizzati, ma questi enormi flussi di dati sono semplicemente ingestibili senza l'ausilio di sistemi automatizzati.

Con l'intelligenza artificiale, il machine learning e il deep learning, le organizzazioni possono sfruttare al meglio le grandi quantità di dati che raccolgono, ricavando informazioni aziendali fruibili, automatizzando le attività e migliorando le capacità dei sistemi. La tecnologia AI/ML ha le carte in regola per rivoluzionare un'azienda sotto ogni aspetto, aiutandola a raggiungere risultati misurabili, tra cui:

  • Aumento della soddisfazione dei clienti

  • Offerta di servizi digitali differenziati

  • Ottimizzazione dei servizi aziendali esistenti

  • Automazione delle operazioni aziendali

  • Aumento del fatturato

  • Riduzione dei costi

Esempi e scenari di utilizzo di AI/ML

Ovviamente sembra tutto fantastico, ma al contempo è anche astratto e macchinoso. Diamo un'occhiata ad alcuni esempi e scenari di utilizzo pratici di AI/ML per la trasformazione dei settori di oggi.

Sanità

Le tecnoligie di AI/ML vengono utilizzate nelle applicazioni sanitarie per perfezionare l'efficienza clinica, aumentare la velocità e l'accuratezza delle diagnosi e migliorare la cura dei pazienti.

HCA Healthcare è stata insignita del Red Hat Innovation Award per l'utilizzo del machine learning nello sviluppo di un prodotto per l'analisi predittiva in tempo reale (SPOT, Sepsis Prediction and Optimization of Therapy) atto al rilevamento rapido e preciso della sepsi, una condizione potenzialmente letale.

Telecomunicazioni

Nel settore delle telecomunicazioni, il machine learning è sempre più utilizzato, tra le altre cose, per acquisire informazioni sul comportamento dei clienti, migliorare l'esperienza dei clienti e ottimizzare le prestazioni della rete 5G.

Secondo il nostro report L'evoluzione dell'open source enterprise pubblicato all'inizio del 2021, il 66% delle organizzazioni del settore delle telecomunicazioni prevede di utilizzare l'open source enterprise per AI/ML entro i due anni seguenti, rispetto al 37% oggi.

Assicurazioni

Nel settore assicurativo, le tecnologie AI/ML vengono utilizzate per una vasta serie di applicazioni, ad esempio per automatizzare l'elaborazione delle richieste di risarcimento e per erogare servizi assicurativi basati sull'utilizzo.

La maggior parte delle compagnie assicurative ritiene che la modernizzazione dei sistemi di base sia fondamentale per differenziare i propri servizi in un mercato così vasto e che il machine learning rientri in questa strategia di modernizzazione.

Servizi finanziari

Anche i servizi finanziari utilizzano tecnologie di AI/ML per innovare e migliorare la propria offerta, inclusi la personalizzazione dei servizi per i clienti, il miglioramento dell'analisi dei rischi e un più efficace rilevamento di frodi e riciclaggio di denaro.

La quantità di dati che gli istituti finanziari si trovano a gestire è in continua crescita, per questo le funzionalità di machine learning dovrebbero consolidare i modelli di rilevamento delle frodi e favorire l'ottimizzazione dell'elaborazione dei servizi bancari.

Automotive

Negli ultimi anni il settore automotive ha subito grandi e profondi cambiamenti, a causa dell'avvento dei veicoli elettrici e autonomi, dei modelli di manutenzione predittiva e di un ampio ventaglio di altre tendenze dirompenti che ha interessato l'intero settore.

E, naturalmente, le tecnologie AI/ML vantano un ruolo di spicco in questa trasformazione. Ad esempio, è un elemento chiave delle iniziative di BMW Group per i veicoli automatizzati.

Energia

Anche i fornitori di energia di tutto il mondo sono nel bel mezzo di una trasformazione del settore, con nuovi metodi di produzione, immagazzinaggio, distribuzione e utilizzo dell'energia che stanno rivoluzionando lo scenario competitivo. Inoltre, anche le problematiche globali in materia di clima, i fattori di mercato e l'evoluzione tecnologica hanno modificato notevolmente lo scenario.

Il settore energetico si sta già avvalendo di AI/ML per lo sviluppo di centrali elettriche intelligenti, l'ottimizzazione di consumi e costi, lo sviluppo di modelli di manutenzione predittiva, l'ottimizzazione delle operazioni sul campo e della sicurezza e il miglioramento del trading energetico.

Introduzione ad AI/ML per la tua organizzazione

Sebbene la tecnologia di AI/ML sia chiaramente molto trasformativa e in grado di fornire un enorme valore in qualsiasi settore, la sua introduzione può sembrare particolarmente complicata.

La buona notizia è che si può scegliere un approccio graduale. Puoi introdurre AI/ML nella tua organizzazione senza un ingente investimento iniziale, in modo da imparare a conoscerla e iniziare a capire i benefici che può portare alla tua organizzazione, con interventi di portata limitata e di facile gestione.

Se vuoi saperne di più, abbiamo elaborato una roadmap in 13 punti che illustra come iniziare il percorso di adozione di AI/ML.

Scopri di più


Sull'autore

Deb Richardson joined Red Hat in 2021 and is a Senior Content Strategist, primarily working on the Red Hat Blog.

Read full bio
UI_Icon-Red_Hat-Close-A-Black-RGB

Ricerca per canale

automation icon

Automazione

Novità sull'automazione IT di tecnologie, team e ambienti

AI icon

Intelligenza artificiale

Aggiornamenti sulle piattaforme che consentono alle aziende di eseguire carichi di lavoro IA ovunque

open hybrid cloud icon

Hybrid cloud open source

Scopri come affrontare il futuro in modo più agile grazie al cloud ibrido

security icon

Sicurezza

Le ultime novità sulle nostre soluzioni per ridurre i rischi nelle tecnologie e negli ambienti

edge icon

Edge computing

Aggiornamenti sulle piattaforme che semplificano l'operatività edge

Infrastructure icon

Infrastruttura

Le ultime novità sulla piattaforma Linux aziendale leader a livello mondiale

application development icon

Applicazioni

Approfondimenti sulle nostre soluzioni alle sfide applicative più difficili

Original series icon

Serie originali

Raccontiamo le interessanti storie di leader e creatori di tecnologie pensate per le aziende