Cos'è il machine learning?

Il machine learning è una tecnica che permette di addestrare i computer a individuare schemi, a eseguire analisi predittive e a imparare dall'esperienza, senza alcuna programmazione esplicita.

Il machine learning (ML) è una sotto categoria dell'intelligenza artificiale (IA) che utilizza gli algoritmi per identificare degli schemi nei dati e utilizzarli per eseguire analisi predittive. I dati possono contenere numeri, testi e perfino foto. In condizioni ideali, il machine learning permette all'essere umano di interpretare i dati con maggiore rapidità e precisione di quanto non sarebbe in grado di fare da solo.

Parliamo di intelligenza artificiale quando gli esseri umani riescono a creare in una macchina capacità di ragionamento simili a quelle umane. In ambito di machine learning, significa programmare le macchine affinché simulino funzioni cognitive specifiche naturalmente possedute dagli esseri umani, come la percezione, l'apprendimento e la capacità di risolvere i problemi. 

Per realizzare una macchina che pensa come un essere umano occorre addestrarla in modo che crei un proprio modello predittivo. Questo modello è il mezzo con il quale la macchina analizza i dati e diventa quindi "capace di apprendere". Per avviare il processo è necessario fornire i dati e scegliere un modello di apprendimento che indichi al sistema come elaborare i dati. 

Un modello di machine learning può utilizzare i dati per almeno tre funzioni:

• Descrivere ciò che è successo
• Prevedere quello che accadrà
• Suggerire le azioni successive da mettere in atto

Il modello di apprendimento scelto per addestrare la macchina è strettamente legato alla complessità dell'attività da compiere e al risultato desiderato. Il machine learning viene in genere classificato in base a 3 stili di apprendimento:

L'apprendimento supervisionato viene applicato all'addestramento con set di dati etichettati. Questo modello è utilizzato per attività come il riconoscimento delle immagini.

L'apprendimento non supervisionato esegue ricerche in set di dati non etichettati per individuare aspetti comuni, schemi e tendenze. Questo modello è utilizzato per attività quali la segmentazione dei clienti, i sistemi di suggerimento e l'analisi di dati generici.

L'apprendimento per rinforzo viene applicato all'addestramento tramite un processo di prova ed errore, con un sistema di ricompensa prestabilita. Questo stile di apprendimento viene utilizzato, ad esempio, per addestrare un computer a un gioco in cui le azioni eseguite portano alla vincita o alla perdita. 

Quando il computer ha acquisito familiarità con le modalità di interpretazione dei dati (grazie al modello di apprendimento e ai dati di addestramento), potrà elaborare analisi predittive ed eseguire specifiche attività con i nuovi dati introdotti. In maniera progressiva, il computer eseguirà predizioni più accurate apprendendo dai continui flussi di dati ricevuti, e sarà in grado di eseguire le attività con più precisione e in meno tempo rispetto a quanto necessario a un essere umano.

Machine learning e intelligenza artificiale permettono di migliorare l'esperienza dell'utente, prevedere i comportamenti dei clienti, monitorare i sistemi per individuare frodi e perfino aiutare i fornitori di assistenza sanitaria a rilevare condizioni potenzialmente letali. Molti di noi già interagiscono e traggono benefici dal machine learning ogni giorno, quando utilizzano, ad esempio:

• Algoritmi che offrono suggerimenti per i servizi di streaming.
• Sistemi di assistenza telefonica e chatbot automatici.
• Annunci pubblicitari mirati.
• Preventivi automatizzati di istituzioni finanziarie.

L'intelligenza artificiale generativa, ovvero la tecnologia alla base di molti strumenti IA, si fonda sul deep learning, una tecnica di apprendimento automatico per l'analisi e l'interpretazione di grandi volumi di dati. I modelli linguistici di grandi dimensioni (LLM), un sottogruppo dell'IA generativa, rappresentano un'applicazione cruciale del machine learning, perché dimostrano la capacità di comprendere e generare il linguaggio umano in modo ineguagliato. 

Il machine learning è una tecnologia ormai diffusa in molte realtà: i settori della sanità, dei servizi finanziari, delle telecomunicazioni e della pubblica amministrazione sono solo alcuni tra quelli investiti dalla rivoluzione dell'AI/ML.

Red Hat® OpenShift® AI, che comprende OpenShift Data Science, offre una base comune per sviluppare e distribuire le applicazioni di artificial intelligence (AI) e i modelli di machine learning (ML) con trasparenza e controllo. 

Red Hat OpenShift Data Science è una piattaforma che permette di addestrare, eseguire il prompt tuning, il fine tuning e trattare i modelli di AI per adeguarli a scenari di utilizzo specifici.

Per i grandi deployment di AI è disponibile Red Hat OpenShift, una piattaforma applicativa scalabile adatta ai carichi di lavoro di AI che fornisce anche l'accesso ai più comuni acceleratori hardware.

Red Hat impiega anche gli strumenti Red Hat OpenShift AI per migliorare le utility di altri software open source, come Ansible Lightspeed con IBM watsonx Code Assistant. Ansible Lightspeed aiuta gli sviluppatori a velocizzare la creazione dei contenuti Ansible. Agli sviluppatori basta inserire la richiesta di un'attività in inglese e Ansible Lightspeed interagisce con i modelli di base di IBM watsonx per generare il codice da utilizzare per la creazione di Ansible Playbook.

Inoltre, le integrazioni dei partner di Red Hat danno accesso a un ampio ecosistema di strumenti di AI affidabili e compatibili con piattaforme open source.