apprendimento automatico
Apprendimento automatico, la nuova frontiera dell’intelligenza artificiale
Nella diagnostica medica e nella guida stradale l’applicazione dell’apprendimento automatico permette già di ridurre gli errori umani. Nonostante la diffidenza che a volte accompagna queste innovazioni.
14 Marzo 2018 07:50
Tra i tanti effetti positivi generati dall’esplosione dei big data (ovvero l’accelerazione della possibilità di immagazzinare e processare una quantità sempre più ampia di dati) e il contestuale potenziamento delle capacità di calcolo, ne emerge una che ha il potenziale per dare vita a nuovi settori e generare efficienze in quelli esistenti: l’apprendimento automatico tramite l’intelligenza artificiale. Il processo metodologico, che consiste nell’addestrare i sistemi informatici a trarre conclusioni utili dagli insiemi di dati inseriti e ad applicarle poi a nuove situazioni, ha infatti tutte le potenzialità per rivoluzionare molti settori - come quello della diagnostica medica e quello della guida stradale, per citare due esempi concreti - con il vantaggio di ridurre gli errori umani.
“La differenza importante rispetto all’elaborazione tradizionale sta nel fatto che il computer non è programmato ma piuttosto addestrato con i dati” fa sapere il team Growth di Morgan Stanley Investment Management (MSIM), che ricorda come uno dei metodi più diffusi di apprendimento automatico sia rappresentato dall’utilizzo di reti neurali. Si tratta di reti articolate in singoli nodi (“neuroni”) che si riallineano costantemente a ogni esempio, in modo tale da garantire in tempo reale l’esatta corrispondenza tra i dati di input e i dati di output a mano a mano che vengono processati dall’algoritmo informatico.
“Quello che una rete neurale prova a fare è creare il miglior insieme di ‘regole’ per descrivere i dati, in maniera tale che il computer possa utilizzare quelle ‘regole’ per elaborare previsioni utili in situazioni nuove, ma correlate” spiega il team che, tuttavia, ammette l’attuale esistenza di limitazioni: il processo di apprendimento automatico è una scatola nera in cui il metodo esatto non è conoscibile dagli umani e richiede pertanto un’intensa attività di test affinché le previsioni del sistema siano accurate.
RICEVI GRATIS LE NOTIZIE IN ANTEPRIMA
Precisato questo, le opportunità derivanti dall’apprendimento automatico sono sconfinate in specifici campi di applicazioni e dati determinati risultati, ed estremamente incoraggianti nel miglioramento dell’efficienza. “Per esempio, la ricerca preliminare in questo ambito ha evidenziato come gli algoritmi siano migliori di patologi o radiologi nell’individuare un cancro. Allo stesso modo, i veicoli a guida autonoma promettono di ridurre, tramite l’apprendimento automatico, la mortalità stradale eliminando l’errore umano: un aspetto di estrema rilevanza dal momento che oltre il 90% degli errori (umani) di guida sono la causa degli incidenti stradali”, puntualizza il team.
APPROFONDIMENTO
I 5 megatrend sfruttabili anche senza un mercato rialzista
Allo stato attuale, emergono però anche alcuni aspetti di carattere tecnologico, normativo e sociale che potrebbero ostacolare l’adozione su larga scala dell’apprendimento automatico. Innanzitutto, per specifiche applicazioni potrebbero non esserci abbastanza dati disponibili per addestrare il computer in modo da essere certi che giunga a conclusioni accurate. In secondo luogo, più l’applicazione è critica per la vita umana, più saranno numerosi i test richiesti per garantire l’accuratezza del processo e le conclusioni a cui giunge: un errore commesso da un’applicazione di traduzione linguistica è meno problematico del mancato riconoscimento di un segnale di stop da parte di un’automobile. “In terzo luogo, le autorità di controllo e i legislatori potrebbero guardare con diffidenza alle tecnologie dirompenti. I comparti industriali tradizionali potrebbero sollecitare l’implementazione di nuove normative e tutele che farebbero salire i costi per avviare nuove attività, proteggendo quelle esistenti dai nuovi attori, soprattutto in settori già disciplinati come quello della medicina o dei trasporti” precisa il team che, infine, aggiunge l’ulteriore ostacolo della diffidenza: gli esseri umani potrebbero infatti non nutrire fiducia nelle soluzioni di apprendimento automatico nell’ambito di determinate sfere della propria vita.
Non è un caso che, relativamente alle applicazioni che potrebbero avere implicazioni sulla sicurezza delle persone, l’approccio è graduale e di massima cautela. “Per fare un esempio, la tecnologia di guida automobilistica autonoma esiste già oggi, ma ci vorranno ancora da quattro a cinque anni per garantirne la sicurezza prima di poter vedere sulle nostre strade automobili che circolano senza conducente. Le applicazioni mediche potrebbero richiedere lo stesso tempo, se non di più” conclude il team convinto che, nonostante i tanti ostacoli ancora da superare, sussista una spinta sottostante a favore dello sviluppo dell’apprendimento automatico che non si può fermare.
LE RETI NEURALI
“La differenza importante rispetto all’elaborazione tradizionale sta nel fatto che il computer non è programmato ma piuttosto addestrato con i dati” fa sapere il team Growth di Morgan Stanley Investment Management (MSIM), che ricorda come uno dei metodi più diffusi di apprendimento automatico sia rappresentato dall’utilizzo di reti neurali. Si tratta di reti articolate in singoli nodi (“neuroni”) che si riallineano costantemente a ogni esempio, in modo tale da garantire in tempo reale l’esatta corrispondenza tra i dati di input e i dati di output a mano a mano che vengono processati dall’algoritmo informatico.
LA SCATOLA NERA DEL PROCESSO DI ANALISI
“Quello che una rete neurale prova a fare è creare il miglior insieme di ‘regole’ per descrivere i dati, in maniera tale che il computer possa utilizzare quelle ‘regole’ per elaborare previsioni utili in situazioni nuove, ma correlate” spiega il team che, tuttavia, ammette l’attuale esistenza di limitazioni: il processo di apprendimento automatico è una scatola nera in cui il metodo esatto non è conoscibile dagli umani e richiede pertanto un’intensa attività di test affinché le previsioni del sistema siano accurate.
RICEVI GRATIS LE NOTIZIE IN ANTEPRIMACAMPI DI APPLICAZIONE
Precisato questo, le opportunità derivanti dall’apprendimento automatico sono sconfinate in specifici campi di applicazioni e dati determinati risultati, ed estremamente incoraggianti nel miglioramento dell’efficienza. “Per esempio, la ricerca preliminare in questo ambito ha evidenziato come gli algoritmi siano migliori di patologi o radiologi nell’individuare un cancro. Allo stesso modo, i veicoli a guida autonoma promettono di ridurre, tramite l’apprendimento automatico, la mortalità stradale eliminando l’errore umano: un aspetto di estrema rilevanza dal momento che oltre il 90% degli errori (umani) di guida sono la causa degli incidenti stradali”, puntualizza il team.
APPROFONDIMENTO
I 5 megatrend sfruttabili anche senza un mercato rialzista
GLI OSTACOLI ATTUALI
Allo stato attuale, emergono però anche alcuni aspetti di carattere tecnologico, normativo e sociale che potrebbero ostacolare l’adozione su larga scala dell’apprendimento automatico. Innanzitutto, per specifiche applicazioni potrebbero non esserci abbastanza dati disponibili per addestrare il computer in modo da essere certi che giunga a conclusioni accurate. In secondo luogo, più l’applicazione è critica per la vita umana, più saranno numerosi i test richiesti per garantire l’accuratezza del processo e le conclusioni a cui giunge: un errore commesso da un’applicazione di traduzione linguistica è meno problematico del mancato riconoscimento di un segnale di stop da parte di un’automobile. “In terzo luogo, le autorità di controllo e i legislatori potrebbero guardare con diffidenza alle tecnologie dirompenti. I comparti industriali tradizionali potrebbero sollecitare l’implementazione di nuove normative e tutele che farebbero salire i costi per avviare nuove attività, proteggendo quelle esistenti dai nuovi attori, soprattutto in settori già disciplinati come quello della medicina o dei trasporti” precisa il team che, infine, aggiunge l’ulteriore ostacolo della diffidenza: gli esseri umani potrebbero infatti non nutrire fiducia nelle soluzioni di apprendimento automatico nell’ambito di determinate sfere della propria vita.
APPUNTAMENTO FRA 5 ANNI
Non è un caso che, relativamente alle applicazioni che potrebbero avere implicazioni sulla sicurezza delle persone, l’approccio è graduale e di massima cautela. “Per fare un esempio, la tecnologia di guida automobilistica autonoma esiste già oggi, ma ci vorranno ancora da quattro a cinque anni per garantirne la sicurezza prima di poter vedere sulle nostre strade automobili che circolano senza conducente. Le applicazioni mediche potrebbero richiedere lo stesso tempo, se non di più” conclude il team convinto che, nonostante i tanti ostacoli ancora da superare, sussista una spinta sottostante a favore dello sviluppo dell’apprendimento automatico che non si può fermare.
