La velocità a cui vengono generati i dati sta aumentando, creando più dati che mai, e il machine learning aiuta a rendere possibile l'analisi e la ricerca di valore in questa vasta quantità di dati. In quanto tale, il machine learning sta aprendo un regno completamente nuovo di ciò che gli esseri umani possono fare con i computer e altre macchine. Il machine learning aiuta le attività con funzioni importanti come il rilevamento delle frodi, l'identificazione delle minacce alla sicurezza, la personalizzazione e i consigli, l'automazione dell'assistenza clienti tramite chatbot, la trascrizione e la traduzione, l'analisi dei dati e altro ancora. Il machine learning sta anche guidando l'entusiasmante innovazione del futuro, come veicoli autonomi, droni e aerei, realtà aumentata e virtuale e robotica. 

Sebbene intelligenza artificiale (AI) e machine learning (ML) siano spesso utilizzati come sinonimi, non sono termini intercambiabili. 

L'intelligenza artificiale è un'area dell'informatica che si occupa della costruzione di computer e macchine in grado di ragionare, imparare e agire in modo simile all'intelligenza umana o di sistemi che includono dati la cui scala supera ciò che gli esseri umani possono analizzare. Questo campo include molte discipline diverse, tra cui analisi dei dati, statistica, ingegneria hardware e software, neuroscienze e persino filosofia. 

Mentre l'intelligenza artificiale è una vasta categoria di informatica, il machine learning è un'applicazione dell'AI che prevede l'addestramento delle macchine per l'esecuzione di un'attività senza essere appositamente programmate per questo. Il machine learning viene utilizzato più esplicitamente come mezzo per estrarre conoscenza dai dati attraverso tecniche come le reti neurali, l'apprendimento supervisionato e non supervisionato, gli alberi decisionali e la regressione lineare.

Proprio come il machine learning è un sottoinsieme dell'intelligenza artificiale, il deep learning è un sottoinsieme del machine learning. Il deep learning funziona addestrando le reti neurali su set di dati. Una rete neurale è un modello che utilizza un sistema di neuroni artificiali che sono nodi computazionali utilizzati per classificare e analizzare i dati. I dati vengono inseriti nel primo livello di una rete neurale, con ogni nodo che prende una decisione e poi passa queste informazioni a più nodi nel livello successivo. L'addestramento di modelli con più di tre livelli viene definito "rete neurale profonda" o "deep learning". Alcune reti neurali moderne hanno centinaia o migliaia di livelli. 

Il machine learning utilizza algoritmi di addestramento su set di dati per raggiungere i risultati previsti, come l'identificazione di un pattern o il riconoscimento di un oggetto. Il machine learning è il processo di ottimizzazione del modello che consente di prevedere la risposta corretta in base ai campioni di dati di addestramento. 

Supponendo che i dati di addestramento siano di alta qualità, maggiore è il numero di campioni di addestramento ricevuti dall'algoritmo di machine learning, più preciso sarà il modello. L'algoritmo adatta il modello ai dati durante l'addestramento, in quello che viene chiamato "processo di adattamento". Questo processo prevede l'utilizzo di una funzione di perdita per misurare gli errori del modello e di una tecnica di ottimizzazione, come la discesa del gradiente, per regolare i parametri del modello e ridurre al minimo questi errori. Se il risultato non corrisponde a quello atteso, l'algoritmo viene riaddestrato più volte fino a ottenere una risposta accurata. In sostanza, l'algoritmo apprende dai dati e raggiunge i risultati in base al fatto che l'input e la risposta si adattino a una linea, a un cluster o a un'altra correlazione statistica.

Quando parliamo di diversi tipi di machine learning, ci riferiamo in realtà ai modelli di addestramento utilizzati. Nei casi più ampi, esistono quattro tipi di modelli utilizzati nel machine learning.

L'apprendimento supervisionato è un modello di machine learning che utilizza dati di addestramento etichettati (dati strutturati) per mappare una caratteristica specifica a un'etichetta. Nell'apprendimento supervisionato, l'output è noto (ad esempio il riconoscimento dell'immagine di una mela) e il modello viene addestrato sui dati dell'output noto. In parole povere, per addestrare l'algoritmo a riconoscere le immagini di mele, gli si forniscono immagini etichettate come mele. Gli algoritmi di apprendimento supervisionato più comuni utilizzati oggi includono:

• Regressione lineare
• Regressione polinomiale
• Risultati vicini K-nearest
• Naive Bayes
• Alberi decisionali

L'apprendimento non supervisionato è un modello di machine learning che utilizza dati non etichettati (dati non strutturati) per apprendere pattern. A differenza dell'apprendimento supervisionato, la "correttezza" dell'output non è nota in anticipo. Piuttosto, l'algoritmo apprende dai dati senza input umani (di conseguenza, non è supervisionato) e li classifica in gruppi in base agli attributi. Ad esempio, se l'algoritmo riceve immagini di mele e banane, lavorerà da solo per classificare l'immagine di una mela e quella di una banana. L'apprendimento non supervisionato è efficace nella modellazione descrittiva e nella corrispondenza di pattern. Gli algoritmi di apprendimento non supervisionato più comuni utilizzati oggi includono:

• Medie fuzzy
• Clustering K-means
• Clustering gerarchico
• Minimi quadrati parziali

Esiste anche un approccio misto al machine learning chiamato apprendimento semi-supervisionato in cui solo alcuni dati sono etichettati. Nell'apprendimento semi-supervisionato, l'algoritmo deve capire come organizzare e strutturare i dati per ottenere un risultato noto. Ad esempio, al modello di machine learning viene detto che il risultato è una pera, ma solo alcuni dati di addestramento sono etichettati come pera.

L'apprendimento per rinforzo è un modello di machine learning che può essere descritto come un modello di "apprendimento tramite pratica" attraverso una serie di prove con potenziali errori. Un "agente" impara a eseguire una determinata attività attraverso un ciclo di feedback finché le sue prestazioni non rientrano in un intervallo desiderato. L'agente riceve un premio quando esegue correttamente l'attività e una penalità quando le prestazioni sono inadeguate. Un esempio di apprendimento per rinforzo è il caso in cui i ricercatori Google hanno insegnato a un algoritmo di apprendimento per rinforzo di giocare a Go. Il modello, che non aveva alcuna conoscenza precedente delle regole di Go, semplicemente spostava i pezzi a caso e "imparava" le mosse migliori da fare. L'algoritmo è stato addestrato con rinforzi positivi e negativi fino a quando il modello di machine learning è stato in grado di battere un giocatore umano nel gioco.four.

Maggiore è la quantità di dati consumati da un algoritmo di machine learning, migliore sarà la ricerca di trend e pattern nei dati in questione. Ad esempio, un sito web di e-commerce potrebbe utilizzare il machine learning per capire in che modo le persone fanno acquisti sul suo sito e utilizzare queste informazioni per fornire agli utenti consigli migliori o trovare dati sulle tendenze che possono portare a nuove opportunità di prodotti.

Il machine learning e l'intelligenza artificiale possono eliminare gran parte del lavoro noioso dei lavoratori umani. Utilità come l'automazione dei processi robotici possono eseguire alcune delle noiose attività aziendali che impediscono alle persone di svolgere lavori più rilevanti. Gli algoritmi di rilevamento delle obiezioni e della visione artificiale possono aiutare i robot a scegliere e imballare gli articoli di una catena di montaggio. Il machine learning sempre attivo per il rilevamento delle frodi e la valutazione delle minacce è in grado di individuare eventuali difetti di sicurezza prima che diventino un problema.

Con i giusti tipi di dati, gli algoritmi di machine learning continueranno a migliorare per essere più veloci e più accurati. Questo miglioramento può avvenire in alcuni modi chiave, tra cui la conservazione con nuovi dati e la ricezione di feedback reali da parte degli utenti.

La qualità del machine learning dipende spesso dai dati con cui si alimenta. Se un algoritmo di machine learning riceve un set di dati con bias, fornirà risultati con bias.

Il machine learning può richiedere molti dati prima di poter essere utile. Poiché molti casi d'uso del machine learning si basano sull'apprendimento supervisionato, l'acquisizione e la pulizia dei dati strutturati per l'addestramento degli algoritmi è un primo passo importante, che può essere difficile se i dati risiedono in una varietà di posizioni in silos all'interno di un'organizzazione.

Sebbene machine learning, intelligenza artificiale e fornitori di cloud cerchino di rendere il più semplice possibile la configurazione e l'esecuzione di algoritmi di machine learning, le organizzazioni spesso hanno bisogno di programmatori e data scientist per comprendere e utilizzare gli algoritmi di addestramento e i loro risultati.

Il machine learning può richiedere molto tempo, molte risorse di computing e molte ore di lavoro dei dipendenti per iniziare a elaborare i dati e ottenere risultati.