Introduzione al Machine Learning: le macchine possono imparare?

Negli ultimi due anni, l’Intelligenza Artificiale è entrata a gamba tesa nella nostra vita quotidiana. Diciamolo: chi non ha mai sentito nominare ChatGPT, Meta AI, Apple Intelligence o altri strumenti “intelligenti”? Sono ovunque, dagli smartphone ai social, fino ai frigoriferi e alle lavatrici di ultima generazione.

Ma oggi non parleremo dell’Intelligenza Artificiale in senso stretto: andremo invece a scavare nelle origini di questa nuova tecnologia, parlando di quella che possiamo considerare la sua spina dorsale, il meccanismo che la fa davvero funzionare: parliamo del cosiddetto Machine Learning, ovvero l’apprendimento automatico.

Grazie a questa tecnologia, le macchine riescono a “imparare” dalle informazioni che ricevono e a migliorare nel tempo, un po’ come facciamo noi esseri umani con l’esperienza.

A primo impatto può sembrare complicato, ma tranquillo: in questa guida cercheremo di spiegare il Machine Learning soprattutto a chi non mastica informatica e vuole capirci qualcosa senza perdersi nei tecnicismi.

Se sei tra le persone che ancora faticano a districarsi tra queste nuove tecnologie, in queste righe ti racconterò le origini del Machine Learning: dove è nato, come funziona e perché ormai è parte integrante della nostra vita quotidiana.

Che cos’è il Machine Learning?

Nonostante spesso vengano confusi, Machine Learning e Intelligenza Artificiale non sono sinonimi: si tratta di due ambiti distinti.

Il Machine Learning, traducibile in italiano con apprendimento automatico, è in realtà un ramo dell’Intelligenza Artificiale. Quest’ultima, a sua volta, rappresenta la macro-area all’interno della quale troviamo anche il Deep Learning, modelli come ChatGPT, Copilot e molti altri. L’Intelligenza Artificiale, infine, è una branca dell’informatica.

Ma come si addestra una macchina? Anche se affronteremo più nel dettaglio questo tema più avanti, possiamo anticipare che il Machine Learning si basa sull’utilizzo di dati per insegnare a un computer a svolgere compiti specifici. Il risultato di questo processo è un algoritmo che, sfruttando un modello del fenomeno studiato, è in grado di trovare una soluzione al problema posto.

La differenza sostanziale rispetto a un software tradizionale, che svolge compiti specifici, è che un algoritmo di Machine Learning costruisce da solo, in modo matematico, le proprie regole analizzando i dati a disposizione. In questo modo, riesce a trovare soluzioni generiche al problema, non legate a regole specifiche impostate dall’essere umano.

Per dare una definizione il più possibile generale, possiamo dire che il Machine Learning è un ramo dell’Intelligenza Artificiale che consente a un software di utilizzare informazioni per risolvere compiti specifici senza essere esplicitamente programmato per farlo. Le soluzioni trovate possono essere più o meno accurate, e difficilmente raggiungeranno prestazioni paragonabili a quelle umane.

Ma questo non è necessariamente un limite: in molti casi, le prestazioni raggiunte sono già più che sufficienti. Basti pensare ai sistemi di raccomandazione dei prodotti su Amazon o ai suggerimenti di ciò che ci potrebbe piacere su Netflix.

Un po’ di storia: la nascita del Machine Learning

Il Machine Learning affonda le sue radici nel periodo della Seconda Guerra Mondiale.

I sottomarini tedeschi attaccano senza sosta i convogli carichi di armi e rifornimenti che viaggiano dagli Stati Uniti alla Gran Bretagna attraverso il Mare del Nord e per impedire agli Alleati di prevedere i loro movimenti, i tedeschi usavano codici cifrati trasmessi tramite una macchina chiamata Enigma.

Per decifrare il sistema di Enigma, la Gran Bretagna istituì a Bletchley Park una commissione di esperti, guidata da Alan Turing, genio matematico che solo pochi anni prima aveva pubblicato un articolo destinato a rivoluzionare la logica matematica: “Sui numeri computabili, con un’applicazione al problema della decisione”. In quell’opera, Turing introdusse per la prima volta il concetto di algoritmo e presentò i fondamenti della sua macchina di calcolo: la Macchina Universale, nota poi come Macchina di Turing, considerata l’antenato del moderno computer.

Ma dove stava la vera difficoltà nel decifrare Enigma? Il sistema cifrato veniva modificato ogni giorno a mezzanotte, costringendo Turing e la sua squadra ad avere pochissime ore per sviluppare quotidianamente un metodo capace di decifrare i messaggi prima del successivo cambio di codice. Insieme all’amico angloamericano Gordon Welchman, tra la fine del 1939 e la metà del 1940, Turing sviluppò una macchina chiamata Bombe, con cui riuscì a decifrare con successo le trasmissioni tedesche.

Come funzionava Bombe? Non decifrava direttamente i messaggi, ma eliminava una grande quantità di combinazioni possibili del codice Enigma, riducendo drasticamente le opzioni da analizzare. Per ogni combinazione, l’elettricità attivava una catena di deduzioni logiche, identificando eventuali contraddizioni e scartando automaticamente la sequenza corrispondente. All’inizio del 1942 si arrivò a decifrare circa 40mila messaggi, numero che raddoppiò in poche settimane, fino a raggiungere una media di due messaggi decriptati al minuto.

Ad oggi, Bombe può essere considerata uno dei primi esempi concreti di Machine Learning, ma non l’unico del secolo scorso.

Un’altra data fondamentale per la nascita del Machine Learning è il 3 luglio 1959. In quel giorno, sull’IBM Journal venne pubblicato uno studio dedicato all’apprendimento automatico applicato al gioco della dama. Lo studio dimostrava come fosse possibile concepire modelli capaci di apprendere e migliorare al punto da superare le abilità di una persona media.

L’esperimento fu condotto dall’informatico statunitense Arthur Samuel, che riuscì a programmare un computer in grado di imparare a giocare meglio del suo stesso creatore, con un tempo di apprendimento stimato tra le 8 e le 10 ore di gioco. Fu proprio a seguito di questo studio che venne coniato ufficialmente il termine Machine Learning.

Come si addestra un modello di Machine Learning?

Dopo aver visto le origini del Machine Learning, possiamo approfondire come si addestra una macchina a compiere delle azioni.

Come accennato in precedenza, al modello vengono forniti dei dati, interpretati sottoforma numerica, con lo scopo di trovare soluzioni generali a un determinato problema. Questo processo di esposizione ai dati, durante il quale il modello “impara”, si chiama training, ossia addestramento.

Durante il training, il modello di Machine Learning, che in questa fase è ancora un algoritmo in stato embrionale, cerca di individuare i legami presenti tra i dati partendo da ipotesi iniziali. Ad esempio, gli algoritmi probabilistici basano il loro funzionamento sul calcolo della probabilità che un determinato evento si verifichi in presenza di specifici dati di input.

Una volta addestrato e valutato, il modello si comporta come un qualsiasi altro software: riceve un input (cioè i dati relativi al fenomeno da analizzare) e restituisce un output, cioè una predizione.

Ma in quali modi si può effettivamente addestrare un modello? Principalmente in tre:

Apprendimento Supervisionato
È il metodo più comune. Il modello viene addestrato con dati etichettati, cioè dati per cui conosciamo già la risposta corretta. Per esempio, se volessimo addestrare un algoritmo a riconoscere se un’email è spam o no, gli mostreremmo migliaia di email già catalogate come spam o non spam. Il modello analizza i dati, impara dagli esempi e cerca di generalizzare le regole per classificare email nuove che non ha mai visto prima. È un po’ come un insegnante che corregge i compiti: il modello impara dove sbaglia e migliora man mano.

Apprendimento Non Supervisionato
Qui, invece, i dati non sono etichettati. Il modello deve trovare da solo schemi e relazioni tra i dati. Un esempio pratico? Il clustering, cioè il raggruppamento di elementi simili. Pensa a Netflix che cerca di capire i gusti degli utenti e li raggruppa in “tipi di spettatori” in base alle serie guardate, senza sapere in anticipo a quale categoria appartengono.

Apprendimento per Rinforzo
Questo tipo di apprendimento si basa sul concetto di ricompensa. Il modello (che in questo caso è chiamato agente) interagisce con un ambiente, prende delle decisioni, e riceve delle ricompense o penalità in base a quanto le sue azioni siano state corrette. È molto usato nei videogiochi o nella robotica. Un esempio famoso? L’algoritmo che ha battuto i campioni umani nel gioco del Go: ha imparato giocando milioni di partite contro sé stesso, migliorando ogni volta grazie alle ricompense ricevute. Di seguito vi lasciamo un video che mostra l’efficacia dell’Apprendimento per Rinforzo.

Il Machine Learning nelle nostre vite: dove lo troviamo?

Come abbiamo detto all’inizio, il Machine Learning è ormai entrato a far parte della nostra quotidianità, spesso senza che ce ne rendiamo conto. Le sue applicazioni sono ovunque e stanno trasformando radicalmente diversi settori.

Nel settore sanitario
Il Machine Learning sta rivoluzionando la medicina, in particolare grazie alla sua efficacia nell’analisi di immagini mediche come radiografie, risonanze magnetiche e TAC. Algoritmi specifici sono oggi in grado di rilevare con precisione lesioni o anomalie, riuscendo ad essere ottimi alleati alle diagnosi dei medici permettendo di individuare precocemente patologie come tumori, polmoniti o malattie degenerative. Questo porta a trattamenti più tempestivi e, spesso, più efficaci.

Nei sistemi di raccomandazione
Una delle applicazioni più evidenti del Machine Learning è nei sistemi di raccomandazione personalizzata. Piattaforme come Netflix, TikTok e Instagram analizzano in tempo reale i gusti e i comportamenti degli utenti, suggerendo contenuti sempre più mirati. Questo non solo migliora l’esperienza dell’utente, ma aumenta anche il tempo di permanenza sulle piattaforme e l’interazione con i contenuti proposti.

Nel rilevamento delle frodi
In ambito finanziario, gli algoritmi di Machine Learning sono fondamentali per individuare attività sospette. Analizzando migliaia di transazioni in tempo reale, riescono a individuare comportamenti anomali che potrebbero indicare una frode. Ad esempio, un acquisto di alto valore effettuato all’estero da un utente che di solito spende solo localmente può far scattare un’allerta. La grande forza di questi sistemi è la loro capacità di adattarsi nel tempo, migliorando continuamente e imparando da nuovi tipi di frode.

Nel settore automotive
Il Machine Learning è una delle tecnologie chiave dietro lo sviluppo delle auto a guida autonoma. I veicoli moderni sono dotati di sensori, telecamere e radar che raccolgono costantemente dati sull’ambiente circostante. Gli algoritmi di apprendimento automatico elaborano queste informazioni per prendere decisioni in tempo reale, come frenare, sterzare o evitare ostacoli. Anche nei veicoli non completamente autonomi, il Machine Learning migliora funzionalità come l’assistenza al parcheggio, il riconoscimento dei segnali stradali e la prevenzione degli incidenti.

Nella pubblica sicurezza
Anche nel campo della sicurezza pubblica, il Machine Learning sta trovando applicazioni importanti. Esistono sistemi di sorveglianza intelligenti che, utilizzando il riconoscimento facciale e/o l’analisi comportamentale, tentano di identificare situazioni potenzialmente pericolose in tempo reale. Inoltre, vengono utilizzati modelli predittivi al fine di analizzare dati storici e individuare statisticamente aree e/o orari a rischio di crimini, per provare ad ottimizzare così le risorse e la prevenzione.

Conclusione

Siamo giunti alla fine di questo viaggio alla scoperta del Machine Learning.

In questo articolo abbiamo visto che cos’è, come è nato, come funziona e perché è ormai diventato una presenza costante – spesso invisibile – nelle nostre vite quotidiane.

Per chi volesse approfondire l’argomento con un approccio un po’ più tecnico, consigliamo uno dei corsi più famosi e apprezzati al mondo: “Machine Learning” di Andrew Ng, disponibile gratuitamente su Coursera. Questo corso rappresenta una tappa fondamentale per chi desidera entrare nel mondo dell’Intelligenza Artificiale con basi solide e ben spiegate.

Che tu sia curioso, studente o professionista, il Machine Learning è un tema che vale la pena esplorare: è già il presente e probabilmente, quantomeno in alcuni settori, anche il futuro.