Ecco come capire se il machine learning può far bene al vostro business e aiutarvi a risolvere i problemi, di automazione e di apprendimento
AI, big data e machine learning sono tutti termini di tendenza che appassionano ogni startup.
Per capire se il machine learning può far bene al vostro business, dovrete pensare ad un problema, capire se potrebbe essere risolto sulla base di una serie di dati specifici e porre domande che riguardano la fattibilità, l’intuizione e le aspettative.
Per prima cosa bisogna definire i problemi di automazione e quelli di apprendimento. Il machine learning può aiutare nell’automazione dei processi, ma non tutti i problemi di automazione richiedono apprendimento.
L’automazione senza apprendimento è appropriata quando il problema è relativamente semplice. Questi sono i tipi di attività in cui si ha una sequenza predefinita e chiara di azioni eseguite da un essere umano, ma che, concettualmente, potrebbero essere svolti da una macchina. Questo tipo di automazione è presente nelle imprese da decenni. Lo screening dati in entrata da parte di un fornitore di dati esterno per potenziali errori ben definiti è un esempio di un problema pronto per essere automatizzato. Dall’altro lato la pretesa di codifica del linguaggio umano in un insieme di dati strutturati è un po’ troppo ambiziosa per essere strutturata in un insieme di regole.
Per quei problemi che richiedono l’apprendimento dai dati, l’automazione standard non è sufficiente.
Il machine learning, al suo interno, è un insieme di metodi statistici destinati a trovare modelli di prevedibilità sulla base di diversi insiemi di dati. Questi metodi sono efficaci nel determinare come alcuni elementi dei dati siano collegati ai risultati di nostro interesse. Ciò che questi metodi non possono fare è accedere a qualsiasi conoscenza al di fuori dei dati forniti da noi.
Quindi quali sono i problemi di business che potrebbero giovare dei metodi del machine learning?
1) problemi che richiedono la previsione, piuttosto che inferenza causale. Ovvero, quando si è interessati a capire come, mediamente, alcuni aspetti dei dati si relazionino tra loro e non a seconda delle cause, tenendo in mente che i metodi statistici non procedono sulla base di intuizioni, teorie, o conoscenze che hanno invece gli analisti umani.
2) problemi che sono sufficientemente autonomi o relativamente isolati da influenze esterne. Ovvero se si è relativamente certi che i feed di dati forniti al vostro algoritmo di apprendimento includono più o meno tutto quello che serve alla risoluzione del problema
Esempi di buoni problemi di machine learning includono il predire, ad esempio, la probabilità che un certo tipo di utente clicchi su un certo tipo di annuncio, o valutare la misura in cui un pezzo di testo è simile a testi che avete già visto. I cattivi esempi includono la previsione di profitti dal momento dell’introduzione di una nuova e rivoluzionaria linea di prodotti, o estrapolando le vendite dell’anno successivo sulla base di dati del passato.
Nel momento in cui è stato assodato che i vostri problemi siano adatti al sistema di machine learning, il passo successivo consiste nello stimare se si disponga dei dati corretti per risolvere tali problemi. I dati potrebbero essere interni oppure potrebbero provenire da un provider esterno. Nell’ultimo caso, ricordatevi di porre un numero adeguato di domande affinché possiate contare su uno spettro di dati adeguato alle vostre necessità.
L’ultimo passaggio di questo processo è il controllo intuitivo. I metodi di machine learning sono di natura statistica. E la statistica può essere spiegata in termini intuitivi.
Cercate di prendere familiarità con il metodo di funzionamento del sistema:
– L’intuizione del metodo sembra avere senso?
– Si adatta, concettualmente, al quadro di impostazione o del problema che si sta trattando?
– Cosa rende questo metodo particolarmente adatto al tuo problema?
Ne caso in cui codificaste una serie di passaggi, modelli sequenziali o alberi decisionali, allora è una buona scelta. Se fosse necessario separare due classi di risultati, magari un supporto binario vettoriale sarebbe più adatto alle vostre esigenze.
Grazie alla comprensione le aspettative diventano sempre più realistiche. Una volta poste abbastanza domande e una volta ricevute risposte sufficienti, si avrà una comprensione intuitiva di come funzioni il metodo. Ogni essere umano compie degli errori e ogni algoritmo è soggetto a probabilità di errore ancora più alte, che non possono essere previste.
Così l’ultimo passo è quello di valutare la misura in cui sia possibile consentire eccezioni o errori statistici del processo. Siate chiari e in anticipo riguardo le vostre esigenze e le vostre aspettative, sia con voi stessi che con il fornitore della soluzione adatta a voi.
Una volta che sarete sulla stessa lunghezza d’onda, andate avanti, armati di conoscenza, comprensione e aspettative ragionevoli, affinché possiate raccogliere i benefici del machine learning.
Francesco Marino
Giornalista esperto di tecnologia, da oltre 20 anni si occupa di innovazione, mondo digitale, hardware, software e social. È stato direttore editoriale della rivista scientifica Newton e ha lavorato per 11 anni al Gruppo Sole 24 Ore. È il fondatore e direttore responsabile di Digitalic
