Apprendimento automatico (ML)

Distinguere il ML dai termini correlati

Capire il ML significa anche conoscere il suo rapporto con altri concetti chiave del settore:

• Intelligenza artificiale (AI): L'IA è il concetto generale di creazione di macchine capaci di comportamenti intelligenti. Il ML è l'approccio più importante e di successo per raggiungere l'IA. Mentre l'IA è l'obiettivo generale, il ML è la metodologia pratica che consente ai sistemi di apprendere e adattarsi.
• Apprendimento profondo (DL): Il Deep Learning è un sottocampo specializzato del ML che utilizza reti neurali (NN) complesse e multistrato, spesso chiamate reti neurali profonde. L'apprendimento profondo è stato responsabile di importanti progressi nella gestione di dati complessi come immagini, suoni e testi e alimenta la maggior parte dei modelli di visione all'avanguardia.
• Estrazione dei dati: Sebbene entrambi i campi analizzino i dati, i loro obiettivi differiscono. Il data mining, come definito da leader del settore come SAS, si concentra sulla scoperta di modelli precedentemente sconosciuti in grandi insiemi di dati per generare intuizioni ad uso umano. Il ML, invece, utilizza gli schemi per costruire modelli predittivi in grado di prendere decisioni autonome su dati nuovi e non visti.

Tipi di apprendimento automatico

I modelli di ML sono tipicamente classificati in base al modo in cui apprendono dai dati:

• Apprendimento supervisionato: Il tipo più comune, in cui il modello apprende da dati etichettati costituiti da coppie ingresso-uscita. L'obiettivo è quello di apprendere una funzione di mappatura in grado di prevedere l'output per nuovi input. La classificazione delle immagini e il rilevamento dello spam sono esempi classici.
• Apprendimento non supervisionato: Il modello riceve dati non etichettati e deve trovare da solo modelli o strutture intrinseche, come il raggruppamento dei punti di dati in cluster. Il rilevamento delle anomalie e la segmentazione dei clienti sono casi d'uso comuni.
• Apprendimento per rinforzo: Un agente impara interagendo con l'ambiente. Riceve ricompense per le azioni desiderabili e penalità per quelle indesiderabili, con l'obiettivo di massimizzare la sua ricompensa cumulativa. Questo approccio è ampiamente utilizzato nella robotica e nei giochi strategici.

Rilevanza nell'intelligenza artificiale e nella visione artificiale

L'apprendimento automatico è un pilastro fondamentale dell'IA moderna ed è particolarmente trasformativo nel campo della visione artificiale (CV). Attività come l'individuazione di oggetti, la segmentazione di immagini e la stima della posa si basano fortemente su modelli di ML per interpretare e comprendere le informazioni visive. Modelli all'avanguardia come Ultralytics YOLO sfruttano le tecniche di ML, in particolare il Deep Learning, per ottenere un'elevata precisione e velocità nelle applicazioni in tempo reale.

Ecco due esempi di ML in azione:

1. Analisi delle immagini mediche: Nell'ambito dell'IA per la sanità, i modelli di ML addestrati su set di dati come quello dei tumori cerebrali possono analizzare risonanze magnetiche o TAC per individuare e delineare potenziali anomalie. Questo aiuta i radiologi a evidenziare le aree problematiche, portando a diagnosi più rapide e accurate. Organizzazioni come il National Institute of Biomedical Imaging and Bioengineering (NIBIB) stanno esplorando attivamente queste applicazioni.
2. Veicoli autonomi: Le auto a guida autonoma utilizzano una serie di modelli di ML per elaborare in tempo reale i dati provenienti da telecamere, LiDAR e radar. Nell'AI per il settore automobilistico, questi modelli vengono utilizzati per rilevare e classificare oggetti come altri veicoli, pedoni e segnali stradali, consentendo all'auto di navigare nell'ambiente in modo sicuro. Piattaforme tecnologiche come DRIVE di NVIDIA si basano su potenti capacità di ML.

Strumenti e strutture

Lo sviluppo e la distribuzione di modelli di ML sono supportati da un ricco ecosistema di strumenti. Framework come PyTorch (visitate il sito ufficiale di PyTorch) e TensorFlow (visitate la homepage di TensorFlow) forniscono gli elementi essenziali per la creazione di reti neurali.

Piattaforme come Ultralytics HUB offrono ambienti integrati che semplificano l'intero flusso di lavoro, dalla gestione dei set di dati all'addestramento di modelli personalizzati, fino alla distribuzione e al monitoraggio dei modelli tramite MLOps. La creazione di un modello efficace spesso richiede un'attenta messa a punto degli iperparametri e una profonda comprensione delle metriche di performance.