Il machine learning è un tipo di programma informatico che può imparare a eseguire attività senza istruzioni precise.
Dopo aver letto questo articolo sarai in grado di:
Argomenti correlati
Cos'è il deep learning?
Cos'è l'intelligenza artificiale (IA)?
IA predittiva
Cos'è l'IA generativa?
Cos'è un LLM?
Abbonati a theNET, il riepilogo mensile di Cloudflare sulle tematiche più discusse in Internet.
Copia link dell'articolo
Per machine learning si intende un tipo di algoritmo statistico in grado di apprendere senza istruzioni definite. Ciò gli consente di svolgere autonomamente determinati compiti, come l'identificazione di modelli, generalizzando a partire da esempi. Il machine learning fa parte dell'intelligenza artificiale (IA), che si riferisce alla capacità di un computer di duplicare l'attività cognitiva umana.
Il machine learning ha una vasta gamma di usi, tra cui:
Machine learning e intelligenza artificiale non sono esattamente la stessa cosa; piuttosto, il machine learning come disciplina rientra nell'ambito dell'intelligenza artificiale. Ma non tutta l'intelligenza artificiale coinvolge il machine learning, poiché l'IA può includere anche una serie di altre abilità.
Il machine learning si basa su input e output. Un algoritmo di machine learning riceve dati (input) che utilizza per produrre un risultato (output). Un modello di machine learning "impara" che tipo di output produrre e può farlo attraverso tre metodi principali:
Nel tipo più elementare di programma di machine learning, il programmatore seleziona un set di input di esempio e gli output corretti. L'algoritmo di machine learning prova a generalizzare da questi esempi in modo che, quando alimentato da solo un input, possa produrre l'output desiderato.
Immagina uno chef a cui viene data una cucina piena di ingredienti (input) e un menu con un gran numero di esempi di piatti finiti tratti dal menu (output). Combinando gli ingredienti in modi diversi e confrontando il prodotto finito con i piatti di esempio, lo chef può infine sviluppare le ricette necessarie per creare i piatti del menu. Allo stesso modo, l'apprendimento supervisionato consente a un algoritmo di imparare a produrre risultati corretti senza istruzioni programmate (o una ricetta).
L'apprendimento non supervisionato si verifica quando un algoritmo di machine learning più avanzato viene alimentato con dati grezzi e quindi identifica i modelli da solo. Pensa a uno chef abbastanza abile da guardare semplicemente un menu e inventare ricette per realizzare quei piatti.
In questo stile di apprendimento, l'algoritmo di machine learning viene addestrato tramite feedback. Ci sono risultati "buoni" e risultati "cattivi" e, col tempo, impara come evitare quelli cattivi.
L'apprendimento per rinforzo è un processo di tentativi ed errori. Immagina che lo chef non abbia un menu con cui iniziare, ma invece tutto ciò che cucina viene valutato da un critico gastronomico. Alla fine, lo chef è in grado di stilare una lista di piatti che piacciono al critico gastronomico, dopo aver escluso tutti quelli che non gli piacciono.
Un algoritmo è un insieme di passaggi pre-programmati; un modello di machine learning è il risultato dell'applicazione di un algoritmo a una raccolta di dati. Nonostante questa distinzione, i termini "modello di machine learning" e "algoritmo di machine learning" sono talvolta usati in modo intercambiabile. Ma la differenza è importante: due modelli di machine learning possono produrre risultati diversi anche se utilizzano lo stesso algoritmo, purché a ciascun modello siano stati forniti dati diversi come punto di partenza.
Il deep learning è un tipo di machine learning. Utilizza le reti neurali per imparare a riconoscere schemi e fare associazioni in dati grezzi e non strutturati. Il deep learning non è supervisionato e può eseguire attività estremamente complesse. Viene spesso utilizzato per il riconoscimento vocale, la guida autonoma e altre applicazioni avanzate.
Una rete neurale è un metodo di machine learning che imita la struttura del cervello umano. Le reti neurali sono costituite da nodi che si connettono tra loro. Questi nodi sono distribuiti su almeno tre livelli: un livello di input, un livello di output e uno o più livelli nascosti.
Ogni livello contiene diversi nodi che si connettono tra loro. Se un nodo percepisce i dati come significativi, li passa al nodo successivo.
Ripensa allo chef che prepara i piatti in cucina:
Un database vettoriale è un metodo per l'archiviazione dei dati che migliora il machine learning. I database vettoriali consentono ricerche di similarità e l'identificazione di elementi correlati, a differenza delle query di corrispondenza esatta. L'archiviazione dei dati in questo modo aiuta i modelli di machine learning a comprendere il contesto degli input che ricevono.
Un database vettoriale memorizza gli elementi in una matrice con varie dimensioni e con vettori che specificano la posizione di ciascun elemento dei dati lungo tali dimensioni. Ciò consente ai modelli di machine learning di trovare i dati in relazione ad altri dati. Ad esempio, una piattaforma di streaming può associare il machine learning a un database vettoriale per identificare quali film consigliare a uno spettatore in base alla sua cronologia di visione.
Estrazione dei dati: anche i modelli di deep learning più avanzati richiedono l'accesso a enormi set di dati per ottenere risultati accurati. L'archiviazione su cloud è ideale per salvare questi set di big data, poiché il cloud computing è scalabile pressoché all'infinito. Tuttavia, l'accesso a tali dati spesso comporta il pagamento di commissioni di uscita, ovvero degli addebiti da parte dei fornitori di servizi cloud per il trasferimento dei dati dalla posizione in cui sono archiviati.
Potenza di calcolo e infrastruttura: il machine learning, e in particolare il deep learning, richiede molta potenza di calcolo, soprattutto durante l'addestramento dei modelli. I modelli di machine learning richiedono l'uso di servizi hardware o cloud specializzati e costosi, ad esempio più server veloci basati su GPU. Una GPU o un'unità di elaborazione grafica è più potente di una CPU tradizionale. L'adattamento di un modello di machine learning a nuovi casi d'uso richiede anche un bel po' di potenza di calcolo, tuttavia, tecniche come l'adattamento di basso rango (LoRA) possono ridurre il carico computazionale.
Cloudflare offre una serie di servizi per semplificare l'utilizzo del machine learning per chiunque. Cloudflare Workers AI è una rete globale di GPU che gli sviluppatori possono utilizzare per eseguire attività di IA generativa. Cloudflare Vectorize consente agli sviluppatori di utilizzare un database vettoriale distribuito a livello globale. Inoltre, Cloudflare R2 è lo storage di oggetti senza costi di uscita, che consente agli sviluppatori di archiviare grandi set di dati nel cloud e trasferire tali dati gratuitamente. Scopri di più su Cloudflare for AI.
Il machine learning è un tipo di algoritmo statistico in grado di apprendere dagli esempi per svolgere determinate attività, come l'identificazione di pattern, senza bisogno di istruzioni esplicite. Il machine learning è un campo specifico che rientra nel più ampio ambito dell'intelligenza artificiale (IA).
Un algoritmo di machine learning impara ricevendo dati per produrre un risultato. Esistono tre metodi principali per questo processo di apprendimento: l'apprendimento supervisionato, in cui l'algoritmo viene addestrato su esempi curati; l'apprendimento non supervisionato, in cui l'algoritmo viene addestrato su dati grezzi; e l'apprendimento per rinforzo, in cui l'algoritmo apprende quali output sono desiderabili attraverso tentativi ed errori
Un algoritmo è un insieme di passaggi preprogrammati, mentre un modello di apprendimento automatico è il risultato dell'applicazione di un algoritmo a una raccolta di dati. Questo significa che due modelli che utilizzano lo stesso algoritmo possono produrre risultati differenti se addestrati su dati diversi
Il deep learning è una tipologia avanzata di machine learning che utilizza reti neurali per apprendere da dati non strutturati e grezzi. Il deep learning è una forma di apprendimento non supervisionato, spesso utilizzato per attività altamente complesse come il riconoscimento vocale e la guida automatica
Una rete neurale è un tipo di modello di machine learning che imita la struttura del cervello umano. È composto da diversi livelli di nodi connessi che si trasmettono dati a vicenda. Se un nodo percepisce i dati come significativi, li passa al nodo successivo nella rete.
Il machine learning ha una vasta gamma di applicazioni, tra cui l'identificazione dello spam via e-mail, il rilevamento dell'attività dei bot, la raccomandazione di contenuti su piattaforme di streaming, la fornitura di risultati dei motori di ricerca e l'ottimizzazione di chatbot e della traduzione linguistica. Oltre a questi usi diretti, l'apprendimento automatico è alla base di molti tipi avanzati di applicazioni di intelligenza artificiale, inclusi i modelli linguistici di grandi dimensioni (LLM) e gli agenti di intelligenza artificiale