L'attività di Ricerca e Sviluppo è fondamentale per far crescere un'azienda e noi in Webinteam crediamo che non ci sia futuro senza innovazione. E' per questo che amiamo coinvolgere nel nostro percorso lavorativo studenti e giovani professionisti che possono arricchire il nostro background, portando linfa nuova e un punto di vista sempre diverso.
Oggi parliamo di Machine Learning con Linda Burchiellaro, laureanda in Ingegneria Informatica all’Università degli Studi di Modena e Reggio Emilia. Linda ha partecipato ad un progetto di Machine Learning in Webinteam in ambito di riconoscimento documentale.
D Stai preparando la tua tesi di laurea su un argomento chiave degli ultimi tempi, oggetto di interesse sempre crescente, ovvero il Machine Learning. Puoi spiegare il significato di Machine Learning?
R Ad oggi la definizione più accreditata del Machine Learning è quella data da Tom Michael Mitchell: "Si dice che un programma apprende dall’esperienza E, con riferimento ad alcune classi di compiti T e con misurazione della performance P, se le sue performance nel compito T, come misurato da P, migliorano con l’esperienza E".
In altre parole, il Machine Learning, ovvero l'apprendimento automatico, vuole permettere alla macchina di imparare dall’esperienza, con l’obiettivo di farle svolgere dei compiti o prendere decisioni in modo autonomo e naturale come per gli esseri umani.
D Il Machine Learning è spesso associato all’Intelligenza Artificiale: sono la stessa cosa?
R Machine Learning e Intelligenza Artificiale vengono spesso usati come sinonimi ma non sono la stessa cosa.
L’Intelligenza Artificiale si pone l’obiettivo di realizzare sistemi informatici in grado di simulare le capacità di pensiero e ragionamento di un umano. Il Machine Learning è un ramo dell’Intelligenza Artificiale e ne costituisce la strada attuativa, in quanto permette alla macchina di apprendere dai dati senza essere esplicitamente programmata per svolgere un determinato task.
D Quali sono gli obiettivi del Machine Learning e i vantaggi che può portare in un’azienda?
R I vantaggi dell’utilizzo del Machine Learning in un’azienda sono molteplici.
Le macchine possono lavorare 24 ore su 24, 7 giorni su 7: pensiamo al vantaggio che ne deriva per un’azienda che può offrire assistenza ai clienti in qualsiasi momento, sfruttando le cosiddette chatbot (assistenti virtuali).
Il Machine learning non è privo di errori ma è sicuramente più preciso dell’uomo: un robot che svolge un'azione ripetitiva in catena di montaggio non è soggetto a stanchezza, distrazione o altro comportamento soggettivo, variabile da persona a persona.
Il Machine Learning permette di estrarre dati elaborando miliardi di informazioni in un istante: questi dati possono essere utilizzati per l’apprendimento della macchina. Se pensiamo all’e-commerce e alle attività di profilazione utente, a cui si collegano azioni di marketing automation, l’obiettivo di fidelizzazione viene raggiunto prima e meglio. Gli algoritmi che elaborano i dati permettono di determinare le tipologie di acquisto, i momenti della giornata in cui si concentrano gli ordini, gli importi medi di acquisto, gli effetti di un’offerta in termini di visualizzazione, interesse e conversione. La profilazione è alla base delle azioni di marketing che seguiranno e influisce sulle previsioni della domanda e sulle scelte strategiche legate alla produzione: maggiore è la precisione della previsione di acquisto di un prodotto, migliore è la gestione della produzione e del magazzino.
D Il Machine Learning non è solo un vantaggio per le aziende, è presente nella nostra quotidianità. Puoi farci qualche esempio?
R Il Machine Learning tocca molti ambiti della nostra vita, basti pensare alle email. Quando riceviamo una email, un algoritmo di Machine Learning la analizza, etichettandola come normale o spam.
Nella scienza medica, l'apprendimento automatico viene utilizzato per la diagnosi delle malattie, aiutando a identificare tumori cerebrali e altre malattie correlate al cervello.
Nel campo dell’e-commerce, dei social media e anche dell’intrattenimento viene utilizzato il cosiddetto “Recommendation system”, un meccanismo basato su Machine Learning impiegato per consigliare prodotti all’utente comparando le sue azioni con quelle di altri utenti e apprendendo così le sue preferenze.
Nel contesto bancario, l’apprendimento automatico è impiegato per il riconoscimento, la prevenzione di frodi e aiuta le banche a calcolare i rating.
In ambito aziendale, la tecnologia viene utilizzata su software che gestiscono la produzione, concentrando gli algoritmi su attività relative alle previsioni di vendita o alla manutenzione predittiva.
D Come vedi il futuro “in mano alle macchine”?
R Personalmente credo che il futuro più che essere “in mano alle macchine” sarà in mano ad umani in grado di sfruttare al meglio le immense potenzialità di una macchina.
Non potrà che esserci una collaborazione tra uomo e macchina: la macchina sostituirà man mano l’uomo nei compiti più ripetitivi o pericolosi, permettendoci di dedicarci maggiormente a lavori creativi e sicuri.
Sicuramente dovrà avvenire un cambiamento delle competenze dei lavoratori: serviranno conoscenze più approfondite in ambito informatico e sarà fondamentale che la formazione scolastica stia al passo con le nuove esigenze.
D Hai collaborato con Webinteam su un progetto di Machine Learning per il riconoscimento documentale. Che tipo di approccio hai adottato?
R Il progetto portato avanti in Webinteam si inserisce prima in un processo di Image Recognition, ovvero di riconoscimento del contenuto di un’immagine (nel caso specifico, si trattava di riconoscere un documento di identità) e successivamente di estrazione dei dati presenti nello stesso.
L’implementazione di tecniche di Machine Learning è stata fondamentale nello sviluppo di questa tipologia di attività. Il punto di partenza era, infatti, la creazione di un modello di Machine Learning in grado di raggiungere al meglio l’obiettivo di riconoscimento richiesto. Gli approcci utilizzabili per la creazione di tale strumento sono diverse tipologie di apprendimento (supervisionato, non supervisionato, semi supervisionato e con rinforzo); per lo svolgimento del progetto è stato utilizzato l’apprendimento supervisionato, il quale usa una serie di dati etichettati per addestrare l’algoritmo ad eseguire compiti specifici.
Per riconoscere le informazioni all’interno dei documenti di identità è stato fondamentale utilizzare metodi legati all’OCR (Optical Character Recognition), programmi dedicati al rilevamento dei caratteri contenuti in un documento e al loro trasferimento in testo digitale leggibile dalla macchina.
Il lavoro svolto da Linda ci ha permesso di dare una prima risposta ad esigenze espresse dai nostri clienti in occasioni e contesti diversi: ridurre i tempi di lavoro, ottimizzare i risultati, minimizzare gli errori.
Non si tratta quindi solo di digitalizzare: se l'inserimento di nuovi metodi di lavoro "complica" la vita agli operatori, significa che non si stanno perseguendo tutti gli obiettivi legati al digitale. In particolare, spesso non si riducono i carichi di lavoro degli operatori: forse si ridurranno gli errori ma non necessariamente la procedura digitale riduce anche i tempi. Bisogna quindi studiare metodi e tecnologie che garantiscano il miglior rapporto tra la qualità del servizio e le risorse impiegate.
08 Ottobre, 2024
09 Settembre, 2024