Serie Innovazione: Demistificare l'apprendimento automatico

Il dottor Tom Mitchell, ex presidente del dipartimento di Machine Learning della Carnegie Mellon University, offre nel suo libro un'elegante definizione di Machine Learning. Egli suggerisce che "il campo del Machine Learning si occupa di come costruire programmi informatici che migliorino automaticamente con l'esperienza" Oggi esistono molti tipi diversi di apprendimento automatico, ma quello più utilizzato per le applicazioni aziendali è l'apprendimento supervisionato. L'apprendimento supervisionato utilizza algoritmi come le regressioni lineari e logistiche e la classificazione multiclasse per analizzare una serie di variabili di input (X) e produrre un output (Y) attraverso una funzione di mappatura, come y=f(x). Il parallelo dell'apprendimento supervisionato è quello di un insegnante e di uno studente, dove lo studente viene addestrato su un argomento dall'insegnante. L'apprendimento supervisionato richiede che i possibili risultati dell'algoritmo siano noti e che i dati utilizzati per addestrare l'algoritmo siano etichettati con le risposte corrette. La maggior parte delle applicazioni di apprendimento automatico supervisionato prevede solitamente le seguenti fasi:

1. Raccogliere il set di dati da valutare
2. Estrarre l'insieme di parametri e attributi per supportare le previsioni
3. Scegliere l'algoritmo di apprendimento automatico
4. Addestrare il modello
5. Effettuare previsioni utilizzando il modello implementato
6. Regolare i parametri per perfezionare il modello

Immaginate di lavorare nel gruppo FP&A di uno sviluppatore di applicazioni mobili e di cercare di prevedere le vendite future di varie applicazioni mobili. Ci sono molte variabili, come la piattaforma supportata, il prezzo, la disponibilità globale, i punteggi dei critici online e le recensioni degli utenti, che possono influenzare la redditività di un'applicazione mobile. Tutto inizia con i dati disponibili che possono essere utilizzati in un modello. Più dati sono disponibili, maggiore è l'opportunità per l'algoritmo di Machine Learning di trovare una correlazione tra una serie di attributi per migliorare le previsioni future. Durante la fase di formazione del modello, viene selezionato un algoritmo di apprendimento automatico e utilizzato per valutare i dati raccolti. Nel nostro esempio, alimenteremo il modello con dati contenenti attributi selezionati da un gruppo di applicazioni mobili che hanno avuto successo e li confronteremo con i risultati previsti dal modello. Gli esperimenti possono essere ripetuti utilizzando lo stesso set di dati ma con diversi algoritmi di Machine Learning per determinare quale algoritmo sia più efficace nel predire i risultati. Il modello di valutazione viene creato al termine dell'addestramento iniziale del modello e quando si è soddisfatti dell'efficacia dell'algoritmo scelto. A questo punto possiamo utilizzare il modello di valutazione per fare previsioni. Il vero aspetto magico o di "apprendimento" si ha quando si confrontano i valori previsti dal modello di valutazione con quelli reali, che si verificano nel tempo. Attraverso regolazioni incrementali, possiamo affinare i parametri del modello, aumentare o diminuire la risoluzione del set di dati e il modello di valutazione può rieseguire le previsioni per determinare se le regolazioni dei parametri (e/o dei dati) hanno migliorato l'accuratezza della previsione. Nel complesso, le applicazioni di Machine Learning integreranno e miglioreranno notevolmente le capacità di FP&A. Queste applicazioni non solo consentiranno analisi più efficaci e modelli predittivi più precisi, ma permetteranno anche di attribuire fiducia alle previsioni. Per saperne di più, cliccate qui.