Che cos’è l’apprendimento non supervisionato (unsupervised learning)?
Nell’apprendimento non supervisionato, un modello di intelligenza artificiale viene addestrato utilizzando dati non etichettati per scoprire modelli nascosti, correlazioni e somiglianze. Continua a leggere per saperne di più su questo tipo di apprendimento.
Che cos’è l’apprendimento non supervisionato?
L’unsupervised learning, o apprendimento non supervisionato, è un metodo di analisi dei dati nel campo dell’intelligenza artificiale. In questo caso, una rete neurale artificiale individua somiglianze all’interno di un insieme di input diversi. Nell’apprendimento non supervisionato, il computer cerca di riconoscere autonomamente modelli e strutture all’interno dei valori di input.
L’apprendimento non supervisionato è quindi il contrario dell’apprendimento supervisionato, dove gli sviluppatori e le sviluppatrici controllano completamente la fase di addestramento e fissano in modo chiaro l’obiettivo di apprendimento. Tuttavia, con l’apprendimento supervisionato, i dati devono essere etichettati o categorizzati manualmente prima dell’addestramento, il che richiede una notevole quantità di tempo.
- Siti web in tempo record
- Soluzioni IA per il tuo business
- Risparmio di tempo e risultati eccellenti
Come funziona l’apprendimento non supervisionato?
In parole povere, questo metodo di apprendimento consiste in una rete neurale artificiale che analizza una grande quantità di informazioni al fine di utilizzarle per determinare relazioni, modelli e somiglianze tra i dati. Questo processo si basa su varie tecniche. Una di queste è il clustering, noto anche come analisi dei cluster. In questo caso, gli algoritmi devono formare in modo autonomo dei cluster, cioè dei raggruppamenti. Successivamente, ai cluster vengono assegnati dei dati.
Ad esempio, se i dati sono composti da foto di cani e gatti, il programma suddivide tutte le foto nelle due categorie. A differenza dell’apprendimento supervisionato, il risultato non è prestabilito, anzi, gli algoritmi devono prendere decisioni in autonomia in base alle somiglianze e alle differenze tra le immagini.
Ad esempio, se i dati rappresentano foto di cani e gatti, nell’apprendimento non supervisionato il programma confronta e raggruppa queste foto in base alle loro caratteristiche. A differenza dell’apprendimento supervisionato, non è specificato se l’algoritmo distingue tra foto di cani e gatti, ma è possibile che accada. Gli algoritmi nell’apprendimento automatico non supervisionato prendono le loro decisioni sulla base di somiglianze e differenze presenti nelle immagini, come il colore della pelliccia dell’animale.
Un’altra tecnica è l’associazione. In questo caso, i dati che possono essere collegati ad altri tramite determinati attributi vengono categorizzati. Il compito degli algoritmi è quindi quello di trovare oggetti connessi tra loro, anche se non sono identici o completamente differenti. Tornando all’esempio delle foto dei cani, nella tecnica dell’associazione l’algoritmo dell’apprendimento non supervisionato non metterebbe tutti i cani nella stessa categoria, ma assocerebbe, per esempio, un guinzaglio al cane.
Per visualizzare questo video, sono necessari i cookie di terze parti. Puoi accedere e modificare le impostazioni dei cookie qui. In quali contesti si utilizza l’apprendimento non supervisionato?
Sono disponibili molti esempi pratici di apprendimento non supervisionato. Dal momento che questo metodo di apprendimento consente ai programmi di imparare le regole di un gioco e quindi anche le strategie vincenti, si utilizza, ad esempio, in borsa, e anche con ottimi risultati. In questo contesto, il programma viene alimentato con informazioni sulle quotazioni di borsa sotto forma di dati grezzi e identifica determinate attività di mercato per prevedere le tendenze.
Tuttavia, l’intelligenza artificiale e, in particolare l’apprendimento non supervisionato, sono utilizzati anche in molti altri settori. Il processo di clustering permette, ad esempio, di formare gruppi di persone, il che è particolarmente utile nel marketing. In questo caso, infatti, il target è l’elemento centrale alla base dello sviluppo di una strategia pubblicitaria. Gli algoritmi possono imparare in autonomia a formare un tale gruppo di persone.
Un settore in cui il principio dell’unsupervised learning è già saldamente ancorato è il riconoscimento vocale. Gli assistenti vocali come Siri, Alexa o Assistente Google funzionano, ad esempio, solo grazie al riconoscimento vocale. In questo modo, i programmi imparano il comportamento linguistico del proprietario o della proprietaria e possono, con il tempo, comprendere input linguistici sempre più specifici, anche se il proprietario o la proprietaria ha un difetto di pronuncia o parla in dialetto.
Molti smartphone sfruttano già l’apprendimento non supervisionato, ad esempio per mettere in ordine le gallerie fotografiche. Grazie all’apprendimento indipendente e senza supervisione, il dispositivo è in grado di riconoscere le stesse persone nelle foto o di rilevare le stesse posizioni nei metadati. In questo modo, le foto possono essere ordinate in base al luogo in cui sono state scattate o a seconda delle persone fotografate.
L’apprendimento non supervisionato si è dimostrato utile anche nelle chat: la maggior parte delle persone su internet ha già familiarità con i chatbot. Questi regolano, ad esempio, l’interazione sociale nelle conversazioni virtuali. Sono quindi in grado di riconoscere insulti, diffamazioni, affermazioni razziste e anche discriminazioni e gli utenti interessati vengono rimossi dalla chat o ammoniti. Anche qui entra in gioco l’intelligenza artificiale. Le chat automatiche del servizio clienti e dei negozi online funzionano in modo simile. Che si tratti di una chat o di una conversazione telefonica, i bot imparano in modo indipendente e in parte senza supervisione.
Un esempio negativo: i chatbot nei social media
Nel 2016 Microsoft ha scoperto, suo malgrado, che l’apprendimento non supervisionato può avere anche un conseguenze negative. Il suo chatbot dotato di intelligenza artificiale, chiamato “Tay”, aveva accesso a Twitter e apprendeva attraverso la comunicazione con gli altri utenti della piattaforma. Presto il programma ha iniziato a pubblicare interventi sempre più elaborati, prima utilizzando molte emoticon poi articolando periodi completi.
Tuttavia, l’IA non valutava le dichiarazioni degli altri utenti ed è precipitata rapidamente in una spirale di affermazioni offensive contro stranieri e femministe e ha iniziato a diffondere teorie complottistiche, tutto in appena 24 ore. Il programma di per sé non era né razzista né sostenitore di una specifica linea politica, ma semplicemente imparava dagli utenti. Il numero di utenti di Twitter che si sono divertiti ad alimentare Tay con questi dati è sconosciuto.
Un esempio positivo: la ricerca genetica
L’unsupervised learning può avere anche un impatto positivo, come nel caso della ricerca genetica. In questo contesto, il clustering aiuta ad analizzare il materiale genetico. Grazie all’intelligenza artificiale e ai suoi metodi di apprendimento, il campo medico e quello tecnico fanno passi da gigante e la ricerca può accelerare enormemente in modo che malattie ereditarie, come l’anemia falciforme o la cecità ereditaria, possano in futuro essere trattate e curate.
Il vantaggio dell’apprendimento non supervisionato rispetto ad altri metodi
Apprendimento automatico non significa solo progresso tecnico, ma anche aiuto e semplificazione in molti settori della vita quotidiana. È un arricchimento per la vita di tutti i giorni, per le imprese e anche per la ricerca. A differenza degli altri due metodi di apprendimento (apprendimento supervisionato e per rinforzo), gli sviluppatori e le sviluppatrici non sono coinvolti nell’addestramento vero e proprio. In questo modo si assicurano, oltre a un possibile risparmio di tempo, anche un ulteriore vantaggio: il riconoscimento di modelli che un operatore umano non aveva riconosciuto prima, permettendo a questi algoritmi di sviluppare anche idee creative.
Differenze tra l’apprendimento supervisionato e l’apprendimento semi-supervisionato
Oltre all’apprendimento non supervisionato, esistono anche l’apprendimento supervisionato e l’apprendimento semi-supervisionato; entrambi i metodi presentano alcune differenze rispetto all’apprendimento non supervisionato. Di seguito trattiamo brevemente queste differenze.
Differenze tra apprendimento non supervisionato e apprendimento supervisionato
Al contrario di quanto accade con l’apprendimento non supervisionato, con l’apprendimento supervisionato sia i dati di input che gli output associati sono noti fin dall’inizio. Tuttavia, l’apprendimento supervisionato ha anche obiettivi diversi rispetto all’apprendimento non supervisionato. Poiché nell’apprendimento supervisionato esiste già una risposta “corretta” per ogni dato, questo metodo di apprendimento mira a garantire che l’IA possa rispondere “correttamente” dopo l’addestramento.
Oltre ai diversi obiettivi e alle possibili applicazioni, l’apprendimento supervisionato e l’apprendimento non supervisionato sono anche molto diversi in termini di efficienza e chiarezza. L’apprendimento non supervisionato richiede solo dati grezzi per l’addestramento e per riconoscere i modelli. Tuttavia, i risultati sono spesso molto astratti rispetto all’apprendimento supervisionato e talvolta devono essere analizzati manualmente in seguito. Al contrario, i costi iniziali dell’apprendimento supervisionato sono molto elevati, poiché l’addestramento può avvenire solo con dati completamente etichettati. Il vantaggio è che gli obiettivi dell’addestramento sono definiti molto chiaramente dall’etichettatura dei dati e i risultati finali sono solitamente ben comprensibili.
Differenze tra apprendimento non supervisionato e apprendimento semi-supervisionato
Nell’apprendimento semi-supervisionato, per l’addestramento vengono utilizzati sia dati etichettati che non etichettati. Il modello impara prima dai dati etichettati per generare un modello di classificazione rudimentale. Questo modello viene poi utilizzato per fare previsioni sui dati non etichettati. Segue quindi un ulteriore addestramento, questa volta con i dati etichettati e le previsioni utilizzate come etichette. Questo processo può essere continuato iterativamente.
Poiché l’apprendimento semi-supervisionato, come quello supervisionato, è più adatto a problemi di classificazione, questo metodo è fondamentalmente diverso dall’apprendimento non supervisionato, che viene utilizzato principalmente per raggruppamenti e associazioni. Tuttavia, l’apprendimento semi-supervisionato risulta simile a quello non supervisionato per i costi iniziali relativamente bassi.
Altri metodi di apprendimento dell’intelligenza artificiale: apprendimento per rinforzo
Oltre a questi due metodi di apprendimento, ne esiste anche un terzo: nell’apprendimento per rinforzo, gli sviluppatori e le sviluppatrici forniscono solo impulsi per influenzare l’addestramento degli algoritmi. Il computer impara provando e sbagliando quali sono le decisioni giuste da prendere. Per ogni decisione, il computer riceve un feedback positivo o negativo dall’ambiente di addestramento. Ciò consente all’intelligenza artificiale di riconoscere le correlazioni a lungo termine e di sviluppare strategie per ricevere il maggior numero possibile di feedback positivi.
Ad esempio, un robot potrebbe essere addestrato a trovare un oggetto in una stanza, che viene collocato ogni volta in una posizione diversa, utilizzando l’apprendimento per rinforzo. Esso riceverebbe un feedback negativo per i tentativi errati e nel caso in cui ci mettesse troppo tempo. Nel lungo periodo, svilupperebbe strategie per ottimizzare il processo di ricerca.