Intelligenza artificiale (AI) e machine learning (ML) sono due definizioni tra le più utilizzate nel contesto delle tecnologie emergenti, spesso in modo intercambiabile, il che costituisce una pratica non del tutto corretta, in quanto ci si riferisce a concetti, tecnologie e ambiti di applicazione che coincidono soltanto in alcune circostanze.
Intelligenza artificiale e machine learning vengono impiegate simultaneamente soprattutto nel contesto dei big data, quando si tratta di trarre valore, attraverso l’analisi, dai dati digitali che le organizzazioni oggi acquisiscono con numeriche sempre più elevate dai loro sistemi IT e canali di comunicazione con gli utenti.
In altri termini, AI e ML sono sempre più utilizzati nel contesto aziendale, in quanto necessarie per elaborare ed analizzare grandi volumi di dati, per supportare le decisioni e rendere, nel complesso, più efficienti i processi aziendali.
Vediamo dunque di capire, sia nella teoria che nella pratica, in cosa consistono e in cosa differiscono intelligenza artificiale e machine learning, per sgombrare il campo da un senso di confusione diffusa e contestualizzare al meglio le potenzialità innovative di entrambe le tecnologie emergenti.
Cos’è l’intelligenza artificiale
Nella definizione data dal Parlamento Europeo per introdurre la recente normativa sulla AI, l’intelligenza artificiale:
“E’ l’abilità di una macchina di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività. L’intelligenza artificiale permette ai sistemi di capire il proprio ambiente, mettersi in relazione con quello che percepisce e risolvere problemi, e agire verso un obiettivo specifico. Il computer riceve i dati (già preparati o raccolti tramite sensori, come una videocamera), li processa e risponde. I sistemi di IA sono capaci di adattare il proprio comportamento analizzando gli effetti delle azioni precedenti e lavorando in autonomia”.
È opportuno precisare che, nonostante l’intelligenza artificiale venga spesso identificata quale un sistema unitario, sia costituita da un insieme di più tecnologie, la cui combinazione consente alle applicazioni AI di apprendere e “ragionare” per risolvere problemi di natura complessa.
Cos’è il machine learning
Il machine learning è un sottoinsieme dell’intelligenza artificiale che comporta l’apprendimento automatico da parte di una macchina, sulla base di una serie di dati di training opportunamente preparati e caricati sul sistema, con l’obiettivo di migliorare progressivamente il livello di conoscenza su un problema specifico.
Nel più ampio contesto dell’intelligenza artificiale, il machine learning, a differenza dei sistemi esperti, che basano il loro operato su una serie di regole, utilizza algoritmi in grado di apprendere dall’analisi di grandi quantità di dati, da cui deriva inoltre la capacità di generare output descrittivi e predittivi, a loro volta in grado di supportare consapevolmente i processi decisionali, sulla base di dati oggettivi, anziché dell’esperienza soggettiva o di regole predeterminate.
Il machine learning è per molti versi figlio di quella cultura data driven che ha cominciato a diffondersi nelle aziende a partire dagli anni Novanta, fino alla diffusione capillare a cui stiamo assistendo nell’attualità.
La natura degli algoritmi di machine learning consente loro di migliorare le prestazioni nel tempo, man mano che il processo di apprendimento viene affinato dall’elaborazione di una quantità di dati sempre più elevata per descrivere in maniera accurata il contesto a cui ci si riferisce. I modelli di machine learning costituiscono il cosiddetto output dell’operato dell’algoritmo stesso, che elabora i dati che gli vengono forniti quale input.
Nel contesto del machine learning esistono due metodi di riferimento: apprendimento supervisionato e non supervisionato.
Nel caso dell’apprendimento supervisionato, gli algoritmi ML risolvono problemi utilizzando valori di dati già etichettati quali input e output, mentre nel caso dell’apprendimento non supervisionato, gli algoritmi effettuano un lavoro maggiormente esplorativo, per scoprire in autonomia i modelli nascosti a partire da set di dati non etichettati.
Il machine learning è a sua volta caratterizzato da altri sottoinsiemi, tra cui il celebre deep learning, definito da una rete neurale con tre o più livelli. Le reti neurali sono ispirate dai neuroni del cervello umano, per simularne di fatto il funzionamento.
Le differenze
Il fatto che il machine learning costituisca un sottoinsieme dell’intelligenza artificiale fa si che queste due tecnologie emergenti siano tra loro intrisecamente collegate, anche se contestualmente definibili su due differenti livelli di obiettivi.
L’intelligenza artificiale, come abbiamo visto, è l’insieme di tecniche che consente a un sistema di ragionare come il cervello umano in un contesto anche molto ampio di argomenti, mentre nel caso del machine learning il sistema apprende in maniera autonoma da un data set relativo ad un contesto specifico, con l’obiettivo di migliorare progressivamente la sua conoscenza e definire modelli più accurati.
Tale osservazione ci consente di dedurre immediatamente due aspetti che differenziano AI e ML.
In primo luogo, l’intelligenza artificiale si profila quale il termine ombrello della disciplina, che oltre al machine learning comprende altri sottoinsiemi, come il cognitive computing, i già citati sistemi esperti, la computer vision e l’AI generativa, di grande attualità nel periodo in cui stiamo scrivendo.
In secondo luogo, è semplice comprendere perché il machine learning venga spesso combinato con altre applicazioni basate su altre tecniche di intelligenza artificiale. Ed è in buona sostanza la ragione per cui, oltre ad essere erroneamente scambiati, AI e ML vengono spesso utilizzati insieme.
In un contesto ampio, l’intelligenza artificiale adotta un approccio generalista, cercando di simulare vari aspetti dell’intelligenza umana, agendo in buona sostanza quale un cervello sintetico. Il machine learning cerca invece di restringere il campo d’azione per concentrarsi sull’apprendimento di un’attività specifica, identificando i pattern attraverso la correlazione dei dati, ai fini di ottimizzare e rendere sempre più accurato il processo analitico.
In altri termini, tra le tante funzioni che l’intelligenza artificiale potrebbe svolgere in un determinato contesto in cui l’uomo agirebbe in un certo modo, il machine learning ne identifica una e cerca di ottenere il miglior livello di conoscenza possibile, per ottenere i migliori risultati nello specifico di una determinata attività.
In definitiva, per enfatizzare le differenze tra AI e ML, possiamo tracciare, a titolo puramente esemplificativo, la seguente sintesi.
Intelligenza artificiale
- Simula l’intelligenza umana per cercare di risolvere problemi generici
- Sviluppa sistemi in grado di eseguire attività analitiche molto complesse
- Sviluppa sistemi dichiaratamente ispirati ai processi decisionali effettuati dal cervello umano
- Attraverso varie tecniche, utilizza tutti i tipi di dati disponibili: strutturati, semistrutturati e non strutturati
Machine learning
- Consente ad un elaboratore di apprendere autonomamente da uno storico di dati
- L’apprendimento automatico consente di migliorare nel tempo il processo di apprendimento, per incrementare a sua volta l’accuratezza dell’output
- Esegue attività anche molto specifiche e per tale è fondamentale la qualità dei dati di apprendimento, soprattutto per quanto concerne la coerenza con il contesto analizzato
- Utilizza algoritmi di autoapprendimento per generare modelli (output) predittivi
- Utilizza dati strutturati e semistrutturati
L’utilizzo congiunto di AI e ML consente di ottenere notevoli benefici in moltissimi ambiti applicativi, ragion per cui oggi l’intelligenza artificiale, nella sua definizione più ampia, viene utilizzata sia nel contesto consumer, dalle persone comuni, che nelle applicazioni enterprise, da aziende pubbliche e private di qualsiasi dimensione.
Nell’era digitale, con la crescente disponibilità di dati a cui facciamo riferimento per qualsiasi attività, la capacità dell’intelligenza artificiale e del machine learning di automatizzare i processi sta risultando sempre più strategica nel generare valore attraverso decisioni migliori.
Le diverse applicazioni
L’intelligenza artificiale e il machine learning trovano applicazioni in moltissimi ambiti. In ambito aziendale, vengono utilizzate per automatizzare un numero crescente di processi. Pensiamo alla gestione documentale. Quando una mail entra nei sistemi aziendali, questi creano automaticamente dei metadati per classificarla ed archiviarla, rendendola disponibile per le applicazioni delle varie linee di business.
Per creare una base di dati documentali unificata, intervengono applicativi che sfruttano vari sottoinsiemi dell’intelligenza artificiale. Da tecniche NLP (natural language processing) per riconoscere i contenuti testuali, fino ai modelli di ML che derivano dall’apprendere continuamente dai dati processati, per attribuire i metadati in maniera sempre più efficace e precisa, sulla base del mittente, della tipologia di documento e moltissimi altri parametri tra loro correlati. Il tutto in maniera assolutamente automatizzata, pur lasciando al dipendente umano la facoltà di supervisionare i risultati.
Inoltre, le aziende integrano le funzionalità dell’intelligenza artificiale e del machine learning nelle loro operation, per automatizzare processi ripetitivi, liberando le risorse umane per attività più strategiche per il business. In termini ancora più generali, le applicazioni basate su AI e ML sviluppano potenti sinergie in grado di effettuare analisi predittive utili a supportare e rendere più consapevoli le decisioni, migliorando complessivamente le esperienze dei dipendenti e dei clienti.
Per quanto concerne i settori di business, le applicazioni dell’intelligenza artificiale e del machine learning sono letteralmente innumerevoli. A titolo esemplificativo possiamo citare:
- Manifattura: monitoraggio e manutenzione predittiva secondo il paradigma Industry 4.0 (smart factory); gestione delle supply chain per ottimizzare le forniture di materie e componenti utili alla produzione; logistica.
- Retail (e-commerce e in store): Ottimizzazione supply chain, analisi predettiva della domanda, motori di raccomandazione per suggerire in tempo reale soluzioni di acquisto ai clienti, campagne di marketing personalizzate.
- Servizi finanziari (fintech): rilevamento automatico delle frodi, automazione processi di trading, valutaizione e analisi dei rischi per rilascio mutui e finanziamenti.
- Healthcare: diagnostica avanzata basata su computer vision, analisi delle cartelle cliniche, terapie farmacologiche personalizzate, monitoraggio dei pazienti e previsioni sull’andamento dei parametri fisiologici.
