Nella nebbia, in un bar di paese a non troppi chilometri da Milano, incontro Gianluca Corrado per una chiacchierata decisamente non consueta per la location: machine learning.
Gianluca è un amico, un “compaesano” che sta concludendo il suo dottorato all’università di Trento, Dipartimento di Ingegneria e Scienza dell’ Informazione. Materia di studi: Machine Learning applicato alla biologia, precisamente applicato alla “espressione delle proteine”.
In generale, senza entrare in dettagli troppo complicati, Gianluca mi spiega che il suo lavoro è indirizzato a utilizzare il Machine Learning per aiutare lo studio dei meccanismi di regolazione dell’espressione proteica. Le proteine, infatti, svolgono diversi compiti nella cellula e molte malattie ad oggi gravi e incurabili (SLA e SMA ad esempio) sono associate a malfunzionamenti dell’espressione proteica. Ovviamente l’oggetto della nostra discussione non è la sua tesi, anche perché tra una spiegazione e uno spritz mi sto già perdendo. Quindi facciamo un passo indietro e manteniamoci sul “comprensibile”.
Cos’è il Machine Learning
Il machine learning è tutta l’aerea scientifica di ricerca che permette ai computer di apprendere dai dati. Con apprendere si intende che il computer sarà in grado di svolgere una attività in maniera migliore dopo aver processato i dati. In questo modo il Machine Learning estrae informazioni dai dati per insegnare lo svolgimento di determinate attività.
Il Machine Learning è iniziato negli ’80 ma ai tempi le limitazioni computazioni non permettevano l’analisi di grosse mole di dati. Nonostante ciò questi studi iniziali portarono nel 1996 la vittoria a scacchi del computer IBM Deep Blue contro il campione Kasparov. Quindi il Machine Learning ha messo le basi ed ha tuttora una connessione con quella che più comunemente viene chiamata Intelligenza Artificiale.
Come funziona il Machine Learning
Tutti parlano di Machine Learning ma in concreto come funziona?
Gianluca mi spiega che esistono due componenti principali: avere dei dati e avere dei modelli matematici che sono in grado di modellare alcuni comportamenti dei dati stessi, in modo da generalizzare questi dati e utilizzarli per predire comportamenti di esempi non presenti nei dati stessi. Ad esempio si può dare in pasto a questi modelli una serie di molte immagini di gatti (come ha fatto Google di recente) in modo da generalizzare come è fatto un gatto e poter poi riconoscere gatti in immagini di gatti che il modello non ha mai analizzato. Insomma di insegna a riconoscere com’è un gatto in modo che possa essere riconosciuto automaticamente.
Campi di applicazione ed esempi
Al giorno d’oggi il Machine Learning è ovunque ed è nella quotidianità di tutte le persone: dalla scelta del hotel per le vacanze alle applicazioni mediche, da filtrare lo spam nelle vostre mail a guidare autonomamente veicoli.
Recentemente questa esplosione del Machine Learning è stata favorita dal successo in diverse applicazioni del cosiddetto Deep Learning. Infatti il Deep Learning è l’area del Machine Learning che utilizza modelli simili a quelli dei neuroni umani per apprendere una varietà di task, ad esempio il riconoscimento delle immagini e il riconoscimento vocale. Ma del Deep Learning parleremo un’altra volta.
Dove andremo a finire?
La mia ultima domanda per Gianluca è legata ad avere una visione da qui a 5 anni.
Come accennato prima, infatti, il Machine Learning ha sempre più peso in tutti gli ambiti. Infatti è già stabilmente presente ovunque e il fatto che utilizzi grosse moli di dati farà si che in una società come questa, verrà sempre più usato e implementato.
Basti pensare che oramai tutto è digitalizzato e questi dati son già belli che pronti per essere infilati in modelli di Machine Learning per poter ottenere risultati che solo qualche anno fa erano fantascienza. Insomma il futuro è più che roseo..