Machine Learning (ML)

Il Machine Learning (ML) è un sottoinsieme dinamico dell' intelligenza artificiale (AI) che consente ai sistemi informatici di apprendere dai dati e migliorare le proprie prestazioni senza essere esplicitamente programmati per ogni regola. Anziché seguire istruzioni statiche e codificate in modo rigido, gli algoritmi di machine learning identificano modelli all'interno di enormi quantità di big data per prendere decisioni o fare previsioni. Questa capacità è il motore di molte tecnologie moderne e consente ai computer di adattarsi a nuovi scenari elaborando i dati di addestramento e perfezionando la loro logica interna nel tempo attraverso l'esperienza.

Concetti e tecniche fondamentali

Alla base, il ML si affida a tecniche statistiche per costruire sistemi intelligenti. Il campo è generalmente classificato in tre metodologie principali in base al modo in cui il sistema apprende. L'apprendimento supervisionato prevede l'addestramento di un modello su set di dati etichettati in cui l'output desiderato è noto, una tecnica comunemente utilizzata nelle attività di classificazione delle immagini. Al contrario, l'apprendimento non supervisionato si occupa di dati non etichettati , richiedendo all'algoritmo di trovare autonomamente strutture o cluster nascosti. Infine, l' apprendimento per rinforzo consente agli agenti di apprendere attraverso tentativi ed errori all'interno di un ambiente interattivo per massimizzare una ricompensa. I progressi moderni spesso utilizzano il deep learning, un ramo specializzato del ML basato su reti neurali che imita la struttura a strati del cervello umano.

Applicazioni nel mondo reale

L'apprendimento automatico ha trasformato numerosi settori automatizzando compiti complessi. Ecco due esempi concreti del suo impatto:

• Sistemi autonomi: nel campo della visione artificiale, modelli di ML come Ultralytics vengono utilizzati per il rilevamento di oggetti in tempo reale . Questi sistemi fungono da "occhi" per i veicoli autonomi, identificando istantaneamente pedoni, altre auto e segnali stradali per prendere decisioni di sicurezza in frazioni di secondo.
• Diagnostica medica: nel settore sanitario, gli algoritmi di ML analizzano immagini mediche complesse per detect come i tumori in modo più precoce rispetto ai metodi tradizionali. Elaborando le cartelle cliniche storiche dei pazienti e utilizzando l'analisi delle immagini mediche, questi strumenti aiutano i medici a formulare diagnosi accurate e a creare piani di trattamento personalizzati.

Implementazione dell'apprendimento automatico

Lo sviluppo di una soluzione ML comporta un ciclo di vita noto come Machine Learning Operations (MLOps). Questo processo inizia con la raccolta di dati di alta qualità e l'esecuzione di annotazioni dei dati per preparare gli input per il modello. Gli sviluppatori devono quindi addestrare il modello monitorando problemi come l' overfitting, in cui un sistema memorizza i dati di addestramento ma non riesce a generalizzare le nuove informazioni.

Il seguente Python mostra come caricare un modello ML pre-addestrato utilizzando il ultralytics pacchetto per eseguire inferenze su un'immagine:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Termini chiave distintivi

È importante distinguere il "Machine Learning" dai concetti correlati. Mentre l'IA è la scienza generale che si occupa della creazione di macchine intelligenti, il ML è l'insieme specifico di metodi utilizzati per ottenere tale intelligenza tramite i dati. Inoltre, la scienza dei dati è un campo più ampio che incorpora il ML, ma si concentra anche sulla pulizia dei dati, la visualizzazione e l'analisi statistica per estrarre informazioni utili per il business. Framework come PyTorch e TensorFlow forniscono gli strumenti di base per costruire questi sistemi.

Per semplificare la complessità della formazione e dell'implementazione di questi modelli, soluzioni cloud native come la Ultralytics consentono ai team di gestire set di dati, formare modelli scalabili e gestire l'implementazione dei modelli su dispositivi edge in modo efficiente.