Il machine learning (apprendimento automatico) è un ramo dell'intelligenza artificiale che mira a consentire ai sistemi informatici di apprendere dai dati senza una programmazione esplicita per ogni compito. Si basa sulla costruzione di modelli statistici in grado di individuare schemi, fare previsioni o prendere decisioni a partire da esempi. Si distingue dagli approcci algoritmici tradizionali poiché i modelli si adattano automaticamente alla complessità dei dati, rendendolo adatto a una vasta gamma di problemi dinamici.
Casi d'uso ed esempi
L'apprendimento automatico viene utilizzato in riconoscimento di immagini, traduzione automatica, rilevamento di frodi bancarie, diagnosi medica assistita da computer, ottimizzazione della logistica e raccomandazione personalizzata di contenuti. Ad esempio, i motori di ricerca utilizzano modelli di machine learning per ordinare i risultati, mentre le piattaforme di streaming suggeriscono film in base alle preferenze degli utenti.
Principali strumenti software, librerie e framework
Gli strumenti più diffusi includono TensorFlow, scikit-learn, PyTorch, Keras, XGBoost, LightGBM e CatBoost. Queste librerie offrono funzionalità per la costruzione, l'addestramento e il deployment dei modelli. Altre piattaforme, come RapidMiner, H2O.ai o MLlib (di Apache Spark), consentono l'integrazione su larga scala in ambito industriale.
Sviluppi recenti, evoluzioni e tendenze
L'apprendimento automatico è in rapida evoluzione, grazie all'ascesa del deep learning, ai modelli fondazionali di grande scala e a tecniche avanzate come il transfer learning, l'apprendimento federato e l'explicability dei modelli (XAI). Le tendenze includono anche l'automazione della progettazione dei modelli (AutoML) e l'integrazione in dispositivi embedded o a basso consumo energetico.