Algoritmi di Machine Learning: come funzionano, tipologie e quali sono

Vi è un momento preciso in cui una macchina smette di limitarsi a eseguire istruzioni e comincia a ricavare regole dall’osservazione: è il momento in cui entra in scena il machine learning. Dietro ogni raccomandazione di acquisto, ogni segnalazione di transazione sospetta, ogni stima della probabilità che un impianto si guasti entro la settimana, opera una famiglia di procedure matematiche progettate per apprendere dai dati. Comprenderne l’architettura logica, le tipologie e i criteri di scelta costituisce oggi una competenza di governo, prima ancora che una questione tecnica: ciascun algoritmo incorpora ipotesi, priorità e compromessi decisi da chi lo seleziona, lo addestra e ne valuta i risultati.

Cosa sono gli algoritmi di machine learning?

Un algoritmo di machine learning è una procedura formale che descrive, passo dopo passo, il modo in cui un sistema deve elaborare un insieme di dati per estrarne una regolarità utilizzabile a fini predittivi o descrittivi. La definizione, in apparenza asciutta, racchiude una discontinuità profonda rispetto alla programmazione tradizionale. Nel paradigma classico lo sviluppatore codifica esplicitamente le condizioni che governano ogni decisione della macchina; nell’apprendimento automatico codifica il metodo attraverso cui quelle condizioni verranno ricavate dall’evidenza empirica. Si sposta, in altri termini, il livello dell’intervento umano: dalla scrittura delle regole alla progettazione del procedimento che le fa emergere.

Da questa premessa discende una distinzione che l’uso corrente tende a confondere e che invece merita chiarezza: quella fra algoritmo e modello. L’algoritmo è la ricetta; il modello è il piatto che ne risulta dopo aver lavorato ingredienti specifici. Si consideri un’impresa immobiliare che intenda stimare il prezzo di vendita degli appartamenti in una determinata città. L’algoritmo prescelto, poniamo per esempio quello di regressione lineare, stabilisce che la stima venga espressa come combinazione ponderata di alcune variabili osservabili: metratura, piano, anno di costruzione, distanza dal centro. Di per sé, quella procedura non conosce alcun prezzo. Diventa operativa soltanto applicandola a un archivio di compravendite concluse, dal quale ricava i coefficienti numerici che quantificano il peso di ciascuna variabile. L’equazione con i suoi valori determinati costituisce il modello.

La conseguenza pratica è rilevante. Il medesimo algoritmo, applicato ai dati di Milano e a quelli di Bari, genera due modelli distinti, ciascuno valido nel proprio contesto e inservibile nell’altro. L’algoritmo appartiene al patrimonio universale della statistica; il modello è un artefatto locale, datato, vincolato alla rappresentatività delle informazioni con cui è stato costruito. Sovrapporre i due piani conduce a un equivoco ricorrente nei progetti aziendali: attribuire alla procedura una capacità predittiva che appartiene, in realtà, al patrimonio informativo dell’organizzazione.

Come funzionano: dal training set alla previsione

Il funzionamento di un algoritmo di apprendimento si basa su una logica ciclica, che procede per approssimazioni successive. Al sistema viene fornito un input; il sistema produce un output; l’output viene confrontato con il risultato atteso oppure con un criterio di coerenza interna; dallo scarto rilevato discende una correzione delle regole interne, e il ciclo ricomincia. Questa iterazione, ripetuta migliaia o milioni di volte, prende il nome di addestramento.

Il meccanismo che rende possibile la correzione si chiama funzione di costo: una misura numerica della distanza fra ciò che il modello ha previsto e ciò che avrebbe dovuto prevedere. L’addestramento consiste nella ricerca sistematica della configurazione di parametri che rende quella distanza minima. Gli algoritmi di ottimizzazione, la discesa del gradiente e le sue varianti, assolvono a questo compito, muovendosi nello spazio dei parametri lungo la direzione che promette la riduzione più rapida dell’errore.

Il passaggio decisivo riguarda l’attitudine del modello a comportarsi in modo affidabile su dati mai incontrati, assai più della sua abilità nel riprodurre gli esempi già visti. Questa proprietà, detta capacità di generalizzazione, viene verificata riservando fin dall’inizio una porzione delle informazioni disponibili, sottratta all’addestramento e impiegata come banco di prova indipendente. Un modello che eccelle sull’insieme di addestramento e vacilla su quello di verifica ha memorizzato il rumore in luogo della struttura: è il fenomeno dell’overfitting, speculare all’underfitting, in cui la rappresentazione adottata risulta troppo rigida.

Il percorso che conduce dai dati grezzi alla previsione operativa si articola in fasi ricorrenti:

• – raccolta e preparazione dei dati: profilazione, pulizia, armonizzazione e trasformazione delle fonti, con la costruzione delle variabili significative (feature engineering);
• – suddivisione del patrimonio informativo: separazione fra insieme di addestramento, insieme di validazione dedicato alla taratura degli iperparametri e insieme di test;
• – addestramento: applicazione iterativa dell’algoritmo, minimizzazione della funzione di costo e progressiva stabilizzazione dei parametri;
• – valutazione: misurazione delle prestazioni mediante metriche coerenti con l’obiettivo, quali accuratezza, precisione, richiamo, errore quadratico medio, ecc.;
• – messa in esercizio e monitoraggio: integrazione del modello nei processi, sorveglianza continua del comportamento e riaddestramento periodico.

L’ultima fase merita un’annotazione. Un modello è un’istantanea statistica di una realtà che continua a mutare: il degrado progressivo delle prestazioni, noto come drift, rappresenta la condizione ordinaria e la sua gestione appartiene al governo corrente del sistema.

Le tipologie di apprendimento negli algoritmi di ML

La tassonomia degli algoritmi si organizza attorno a un criterio essenziale: la natura del rapporto fra i dati forniti al sistema e la conoscenza di cui esso dispone circa la risposta corretta. Da questo punto di vista si distinguono cinque famiglie, i cui contorni si sono precisati negli anni recenti. La scelta fra esse dipende raramente da preferenze teoriche; discende quasi sempre dalla disponibilità di dati annotati, dal costo dell’annotazione e dalla natura della domanda di business.

Apprendimento supervisionato

Nell’apprendimento supervisionato il sistema riceve coppie composte da un insieme di variabili di ingresso e dalla risposta corretta a esse associata, con il compito di inferire la funzione che lega le une all’altra. Le due declinazioni principali sono la classificazione, quando la risposta appartiene a un insieme discreto di categorie, e la regressione, quando è una grandezza continua. Un operatore di telecomunicazioni che intenda anticipare l’abbandono della clientela costruisce un archivio storico in cui ciascun profilo, consumi, reclami, ritardi di pagamento, anzianità contrattuale, risulta accompagnato dall’informazione, verificata a posteriori, sull’effettiva cessazione del rapporto. Il modello restituisce così per ogni cliente attivo una probabilità di abbandono, sulla quale il marketing calibra interventi di fidelizzazione selettivi. L’efficacia dell’impianto dipende dalla correttezza delle etichette, la cui produzione richiede tempo e competenza di dominio.

Apprendimento non supervisionato

Quando i dati si presentano privi di qualsiasi risposta di riferimento, il compito muta natura: il sistema esplora la struttura intrinseca delle osservazioni alla ricerca di raggruppamenti, associazioni ricorrenti, direzioni di variabilità dominanti o comportamenti eccentrici. Una catena della grande distribuzione che disponga dello storico degli scontrini può vedere emergere segmenti di clientela definiti da combinazioni di frequenza d’acquisto, fascia oraria, scelte merceologiche e sensibilità alle promozioni. Alcuni corrispondono a intuizioni già presenti nell’organizzazione; altri risultano inattesi e aprono ipotesi commerciali inedite. L’interpretazione rimane comunque un atto umano: la procedura indica dove passa la separazione, il significato lo attribuiscono le persone che conoscono il mercato.

Apprendimento semi-supervisionato

Fra i due estremi si colloca una condizione assai frequente: abbondanza di dati grezzi e scarsità di annotazioni, poiché etichettare richiede l’intervento di specialisti e comporta costi elevati. L’apprendimento semi-supervisionato affronta l’asimmetria combinando un nucleo ristretto di esempi etichettati con una massa più ampia di osservazioni prive di etichetta, sfruttata per delineare con maggiore precisione i confini decisionali. Nel controllo qualità visivo di una linea produttiva, dove una telecamera acquisisce migliaia di immagini al giorno e soltanto poche centinaia vengono esaminate dai tecnici, questa strategia estende il giudizio esperto all’intero flusso, contenendo l’onere ispettivo.

Apprendimento auto-supervisionato

L’apprendimento auto-supervisionato rappresenta l’evoluzione più significativa dell’ultimo decennio. Il sistema genera da sé il segnale di supervisione, ricavandolo dalla struttura interna del dato: occulta una porzione dell’informazione e si addestra a ricostruirla, ripetendo l’esercizio su scala massiva. È il principio su cui riposano i grandi modelli linguistici, la cui fase di pre-addestramento produce rappresentazioni generali, poi specializzate su compiti circoscritti con quantità modeste di esempi annotati. Un’impresa dotata di un vasto archivio documentale, contratti, capitolati, corrispondenza tecnica, può far apprendere a un modello il lessico del proprio dominio, per poi affinarlo con qualche centinaio di documenti annotati e destinarlo alla classificazione della posta in entrata o all’estrazione di clausole rilevanti.

Apprendimento per rinforzo

Nell’apprendimento per rinforzo un agente interagisce con un ambiente, compie azioni, riceve segnali di ricompensa o penalità e affina progressivamente la propria politica di comportamento. Manca qui qualsiasi archivio di risposte corrette: l’esperienza si costruisce nel corso dell’interazione, entro una tensione permanente fra esplorazione di alternative inedite e sfruttamento di ciò che si è già dimostrato efficace. Un centro di distribuzione può impiegare questo approccio per la gestione dinamica delle scorte, con una funzione di ricompensa che premia il livello di servizio e penalizza tanto l’immobilizzo di capitale quanto le rotture di stock. Analoga logica governa la climatizzazione di un centro dati, dove la ricompensa si costruisce sul consumo energetico a parità di condizioni termiche.

Di seguito, per riassumere, proponiamo una tabella comparativa che aiuta a chiarire le caratteristiche distintive delle cinque famiglie.

Machine learning vs deep learning: qual è la differenza?

Il deep learning costituisce un sottoinsieme dell’apprendimento automatico, contraddistinto dall’impiego di reti neurali artificiali organizzate in numerosi strati successivi. La distinzione sostanziale riguarda il modo in cui vengono individuate le caratteristiche rilevanti per il compito. Negli approcci classici la costruzione delle variabili predittive è affidata all’intelligenza del progettista, che decide quali grandezze estrarre dai dati grezzi e quali trasformazioni applicare. Nelle architetture profonde la gerarchia degli strati apprende autonomamente rappresentazioni via via più astratte, dai contorni elementari di un’immagine fino alle configurazioni che identificano un volto o un difetto di lavorazione, riducendo il ricorso alla progettazione manuale delle variabili.

Questa autonomia comporta un prezzo articolato. Le reti profonde richiedono volumi di dati considerevoli, risorse computazionali specializzate e tempi di addestramento estesi. Vi si aggiunge una relativa opacità interpretativa: ricostruire il percorso logico che ha condotto a una determinata uscita risulta arduo, circostanza tutt’altro che secondaria dove la decisione deve essere motivata davanti a un cliente o a un’autorità di vigilanza.

Ne discende un criterio operativo di ampia applicabilità. Sui dati tabellari strutturati, la materia prima della gran parte dei sistemi informativi aziendali, i metodi classici, e in particolare gli insiemi di alberi potenziati, continuano a offrire prestazioni pari o superiori a fronte di costi nettamente inferiori. Il deep learning trova il proprio terreno d’elezione dove il dato ha natura percettiva e dimensionalità elevata: immagini, suoni, testo libero, sequenze temporali dalla struttura complessa.

Gli algoritmi di machine learning più utilizzati

Il repertorio disponibile conta diverse decine di procedure, molte declinate in numerose varianti. Alcune famiglie, tuttavia, coprono la larghissima maggioranza delle applicazioni in ambito organizzativo, e la loro conoscenza fornisce una mappa sufficiente a sostenere un dialogo informato con i team tecnici.

Regressione lineare e regressione logistica

Costituiscono il fondamento statistico dell’intera disciplina. La prima esprime una grandezza continua come somma ponderata delle variabili esplicative; la seconda trasforma quella somma, attraverso una funzione logistica, in una probabilità compresa fra zero e uno, adatta a decisioni di natura binaria. Il pregio di entrambe risiede nella trasparenza; ciascun coefficiente ammette una lettura diretta in termini di contributo marginale, circostanza che ne fa strumenti privilegiati laddove la decisione debba essere argomentata:

• – stima della domanda e previsione dei volumi di vendita;
• – valutazione del merito creditizio e attribuzione di punteggi di rischio;
• – analisi dell’elasticità dei prezzi rispetto alla domanda;
• – costruzione di modelli di riferimento con cui misurare soluzioni più elaborate.

Alberi decisionali, foreste casuali e gradient boosting

Un albero decisionale partiziona lo spazio delle osservazioni attraverso una sequenza di domande binarie, riproducendo una forma di ragionamento immediatamente leggibile. Preso singolarmente risulta vulnerabile all’adattamento eccessivo; la sua potenza emerge nelle configurazioni di insieme. Le foreste casuali aggregano centinaia di alberi addestrati su campioni e sottoinsiemi di variabili estratti casualmente; le tecniche di potenziamento del gradiente costruiscono invece gli alberi in sequenza, affidando a ciascuno il compito di correggere l’errore residuo dei precedenti:

• – rilevazione delle frodi su transazioni finanziarie e assicurative;
• – manutenzione predittiva a partire da dati di sensori e ordini di lavoro;
• – stima della propensione all’acquisto e assegnazione dei contatti commerciali;
• – previsione dell’abbandono nei settori a contratto ricorrente.

Macchine a vettori di supporto

Le support vector machines individuano la superficie di separazione che massimizza la distanza dalle osservazioni più prossime appartenenti alle classi contrapposte. Attraverso opportune funzioni kernel, il metodo proietta i dati in spazi di dimensione superiore, nei quali categorie non separabili linearmente diventano distinguibili. Si rivelano efficaci sui campioni di numerosità contenuta e con molte variabili, sebbene il costo computazionale cresca rapidamente al crescere delle osservazioni:

• – categorizzazione automatica di documenti e messaggi;
• – riconoscimento di configurazioni ricorrenti in dati biomedici;
• – controllo qualità in presenza di campioni sperimentali limitati.

Classificatori bayesiani

Fondati sul teorema di Bayes, questi classificatori assumono l’indipendenza condizionata fra le variabili osservate. L’ipotesi risulta manifestamente irrealistica nella quasi totalità dei casi concreti, eppure il metodo conserva una notevole efficacia pratica, unita a una rapidità di addestramento e a una parsimonia nei requisiti di dati che ne giustificano la persistente diffusione:

• – filtraggio della posta indesiderata e smistamento delle segnalazioni;
• – analisi del sentiment su recensioni e conversazioni digitali;
• – categorizzazione rapida di flussi testuali di grande volume.

Raggruppamento e riduzione della dimensionalità

Il k-means ripartisce le osservazioni attorno a un numero di centroidi fissato a priori, minimizzando la dispersione interna ai gruppi; il raggruppamento gerarchico costruisce una struttura ad albero che consente di scegliere il livello di dettaglio a posteriori; gli algoritmi fondati sulla densità individuano agglomerati di forma irregolare e isolano le osservazioni eccentriche. All’analisi delle componenti principali spetta il compito di comprimere numerose variabili in poche dimensioni sintetiche. Alla stessa logica di prossimità appartiene il metodo dei k vicini più prossimi, che classifica una nuova osservazione in base alla maggioranza riscontrata nel suo intorno.

Questo tipo di algoritmi viene usato prevalentemente per:

• – segmentazione comportamentale della clientela;
• – individuazione di anomalie nei consumi e nei processi produttivi;
• – riconciliazione di anagrafiche e deduplicazione dei record;
• – compressione delle variabili nelle fasi di preparazione del dato.

Reti neurali artificiali

Organizzate in strati di unità elementari collegate da pesi regolabili, le reti neurali apprendono attraverso la retro propagazione dell’errore, che redistribuisce all’indietro la responsabilità dello scarto osservato. Le architetture convolutive si sono affermate nel trattamento delle immagini, quelle basate su meccanismi di attenzione nel dominio del linguaggio. La loro flessibilità rappresentativa non ha eguali; la controparte risiede nella richiesta di dati e di potenza di calcolo. Le reti neurali artificiali vengono usate prevalentemente per:

• – visione artificiale per ispezione automatica e sicurezza sul lavoro;
• – elaborazione del linguaggio naturale e assistenti conversazionali;
• – previsione di serie temporali complesse, dai carichi energetici ai flussi di traffico;
• – sistemi di raccomandazione su cataloghi di ampiezza elevata.

Casi d’uso del machine learning

Il valore degli algoritmi si misura sul terreno dei processi, dove la disponibilità di dati affidabili e governati precede sempre la sofisticazione del metodo. Alcuni ambiti hanno raggiunto una maturità industriale documentata anche dai casi di studio resi pubblici da BNova, che offrono un riscontro empirico alle categorie fin qui esaminate.

La manutenzione predittiva rappresenta l’esempio più nitido di traduzione operativa dell’apprendimento supervisionato: nel progetto dedicato all’ottimizzazione dei processi produttivi in ambito manifatturiero, l’analisi dei dati provenienti dalle linee consente di anticipare i guasti, riducendo i fermi non pianificati. La medesima logica si estende alla logistica: nell’esperienza maturata presso il porto di Gioia Tauro, sensoristica industriale e analisi predittiva concorrono al monitoraggio e all’ottimizzazione dei flussi di movimentazione.

Un secondo ambito riguarda il trattamento di volumi informativi eterogenei. Il caso Auditel illustra la sfida della misurazione dell’ascolto in un ecosistema dove la televisione tradizionale convive con una molteplicità di dispositivi digitali.

Nel settore pubblico, il sistema realizzato per LazioCrea a supporto del controllo della spesa farmaceutica mostra come l’analisi degli scostamenti possa orientare la programmazione sanitaria, mentre l’esperienza InfoCamere applica l’elaborazione predittiva al patrimonio camerale per ricostruire l’andamento economico dei territori.

Merita infine attenzione il presupposto che rende tutto ciò praticabile. Il progetto condotto con Harley&Dikkinson nel settore dell’efficienza affronta una condizione ricorrente, quella di dati esistenti ma frammentati e difficilmente comparabili: prima di qualsiasi previsione occorre costruire la qualità del dato su larga scala.

In tutti questi casi la componente algoritmica costituisce l’ultimo tratto di un percorso che comincia dalla disponibilità e dalla governance dell’informazione.

Come scegliere l’algoritmo giusto per il proprio progetto

La selezione del metodo raramente si risolve in una questione di prestazioni assolute. Intervengono vincoli di dato, di processo, di infrastruttura e di conformità, che restringono progressivamente il campo delle opzioni praticabili.

• – Natura della domanda. Stabilire se l’obiettivo consista nel prevedere una categoria, stimare una grandezza continua, raggruppare osservazioni o individuare anomalie orienta verso una famiglia ristretta di metodi.
• – Disponibilità di annotazioni affidabili. Costo e attendibilità delle etichette determinano la praticabilità dell’approccio supervisionato e l’eventuale ricorso a soluzioni semi-supervisionate.
• – Volume e dimensionalità del patrimonio dati. Insiemi ridotti premiano modelli parsimoniosi e regolarizzati; grandi volumi con numerose variabili giustificano architetture di maggiore capacità.
• – Qualità dell’informazione. Valori mancanti, squilibrio fra le classi ed eterogeneità delle fonti incidono sull’esito più della raffinatezza teorica del metodo.
• – Requisito di interpretabilità. Nei processi soggetti a obbligo di motivazione, credito, selezione del personale, ambito sanitari, la spiegabilità può legittimamente prevalere su un incremento marginale di accuratezza.
• – Costo relativo dell’errore. La metrica di valutazione va scelta in funzione delle conseguenze: un mancato allarme in ambito diagnostico o antifrode pesa in misura assai diversa da un falso allarme.
• – Vincoli computazionali e di latenza. Tempi di risposta attesi, infrastruttura disponibile e budget energetico circoscrivono lo spazio delle soluzioni sostenibili.
• – Manutenibilità nel tempo. Ogni modello richiede monitoraggio, riaddestramento e documentazione: la complessità che l’organizzazione è in grado di presidiare costituisce un criterio di selezione a pieno titolo.
• – Conformità normativa. Il quadro europeo in materia di protezione dei dati personali e di intelligenza artificiale impone requisiti di trasparenza, tracciabilità e sorveglianza umana che incidono sulle scelte progettuali.

Un principio metodologico attraversa l’intero elenco: la costruzione di un riferimento semplice precede sempre l’adozione di soluzioni elaborate. Un modello lineare ben calibrato fornisce il termine di paragone con cui misurare l’utilità reale di architetture più onerose, e con una certa frequenza si rivela già sufficiente allo scopo. La scelta dell’algoritmo, in ultima analisi, rimane una decisione umana: incorpora una gerarchia di priorità, una tolleranza al rischio e una lettura del contesto che nessuna procedura automatica può formulare al posto di chi governa il processo.

ARGOMENTI CORRELATI
Categoria: INTELLIGENZA ARTIFICIALE

Vendor lock-in AI: il conto arriva quando vuoi cambiare modello 

Quando un'azienda decide di cambiare il modello AI su cui ha costruito una soluzione, scopre che la domanda centrale non… Leggi tutto

Come fidarsi dell’AI: audit, tracciabilità e decisioni comprensibili

L’AI entra sempre più spesso nei processi aziendali: classifica richieste, segnala anomalie, supporta gli operatori, sintetizza informazioni e propone azioni.… Leggi tutto

Dataiku Cobuild: l’agente che trasforma il linguaggio naturale in progetti AI

Negli ultimi tempi abbiamo iniziato a parlare con l’AI in linguaggio naturale: chiediamo a un assistente di “riassumere una mail”… Leggi tutto