Che cos’è l’apprendimento automatico?

Che cosa hanno in comune l’auto a guida autonoma di Google e i consigli di Netflix? Entrambi utilizzano l’apprendimento automatico in modo da prendere decisioni ripetibili, eseguire attività specifiche e adattarsi in maniera indipendente, con poca o nessuna interazione umana.

Per definire l’apprendimento automatico in termini molto semplici, si tratta della scienza che consente alle macchine di imparare ad agire in modo simile all'uomo e, allo stesso tempo, apprendere in autonomia dalle interazioni con il mondo reale e da set di dati appositamente forniti da noi.

L’apprendimento automatico non è una tecnologia nuova. Gli algoritmi alla base delle moderne strategie di riconoscimento dei modelli e delle applicazioni di apprendimento automatico esistono da molti anni. Tuttavia, solo adesso i modelli di apprendimento automatico iniziano a interagire con set di dati più complessi e a imparare da calcoli e previsioni precedenti per produrre decisioni e risultati affidabili. Creando il modello giusto si ha una maggiore possibilità di evitare rischi sconosciuti e di identificare opportunità di profitto a livello dell’intera azienda.

Leggi: Do Security Analysts Trust Machine Learning Powered Analytics? (in inglese)

L’apprendimento automatico non è una scienza esatta. Comprende un’ampia gamma di strumenti, tecniche e idee. Ecco i tipi più comuni di tecniche e algoritmi di apprendimento automatico insieme a un breve riepilogo del modo in cui possono essere utilizzati per risolvere i problemi.

Apprendimento supervisionato

Alcune delle attività più semplici rientrano nell’ambito dell’apprendimento supervisionato. Ad esempio, un algoritmo di riconoscimento della scrittura manuale solitamente sarebbe classificato tra le attività di apprendimento supervisionato. Tuttavia, queste attività possono essere svolte solo se il computer riceve la corretta associazione input-output.

Apprendimento senza supervisione

Quando gli algoritmi di apprendimento automatico supervisionato cercano modelli da un set di dati di risposte corrette, le attività di apprendimento senza supervisione trovano modelli che spesso un essere umano non è assolutamente in grado di identificare. Ad esempio, un algoritmo di marketing può utilizzare l’apprendimento senza supervisione per identificare segmenti di potenziali clienti con abitudini di acquisto simili.

Apprendimento per rinforzo

Invece di fornire al computer le corrette associazioni input-output, l’apprendimento per rinforzo fornisce alla macchina un metodo per misurare le sue proprie prestazioni con un rinforzo positivo. Così come apprendono uomini e animali, anche la macchina prova di risolvere un problema per tentativi e, se ci riesce, viene premiata con un segnale. Il comportamento viene quindi appreso e ripetuto la volta successiva in cui si presenta il problema.

Ovviamente tutta questa tecnologia andrebbe sprecata se non venisse sfruttata correttamente. Ecco alcuni degli strumenti e applicazioni di apprendimento automatico più comuni attualmente in uso in ogni settore.

Sicurezza dei dati

I malware sono un problema che non verrà risolto in tempi brevi. La cattiva notizia è che migliaia di nuove varianti di malware vengono rilevate ogni giorno; quella buona è che quasi sempre i nuovi malware hanno lo stesso codice delle versioni precedenti. Questo significa che l’apprendimento automatico può essere usato per identificare dei pattern e segnalare anomalie.

Trading finanziario

I modelli e le previsioni sono ciò che mantiene vivo il mercato azionario e che rende ricchi gli agenti di borsa. Gli algoritmi di apprendimento automatico sono utilizzati da alcune delle società di trading più prestigiose del mondo per prevedere ed eseguire elevati volumi di transazioni ad alta velocità.

Personalizzazione del marketing

Se capisci i clienti, puoi servirli meglio. Se li servi meglio, vendi di più. La personalizzazione del marketing utilizza gli algoritmi di apprendimento automatico per creare una customer experience realmente personalizzata, in linea con i comportamenti precedenti, ovvero ciò che piace e non piace ai clienti, e con i dati basati sulla posizione, ad esempio i luoghi di preferiti per lo shopping.

Apple, Google, Facebook e Microsoft sono solo alcuni dei giganti tecnologici all’avanguardia nell’apprendimento automatico. Nello scorso giugno Apple ha rilasciato Core ML API, progettata per accelerare l’intelligenza artificiale dell’iPhone. Inoltre, i servizi cloud di Microsoft Azure oggi integrano Emotion API, che rileva emozioni umane come tristezza, rabbia, felicità, disgusto e sorpresa.

Tutti questi strumenti hanno in comune il fatto di essere dinamici e in grado di adattarsi a nuove regole, nuovi ambienti e nuove informazioni apprese. Dai motori di raccomandazione al riconoscimento facciale, l’apprendimento automatico ha un ruolo fondamentale nelle grosse aziende che trattano big data. In un mondo in cui gli imprenditori devono essere un passo avanti alle minacce in costante evoluzione, alla concorrenza e all’errore umano, questa tecnologia consente un’agilità e reattività senza precedenti.

Oltre a utilizzare l’apprendimento automatico per migliorare i processi e prendere decisioni basate sui dati, le organizzazioni devono essere in grado di gestire la sicurezza dei propri dati in maniera più efficace e in modo da non rallentare i dipendenti. La risposta è Dynamic Data Protection di Forcepoint. Con l'analisi comportamentale human-centric e la sicurezza dei dati individualizzata e adattiva, Dynamic Data Protection riduce il tempo necessario per analizzare gli avvisi e migliora la proattività dei team DevSecOps.