AS_06_2019

Automazione e Strumentazione Settembre 2019 FOCUS approfondimenti 51 rato dal modello IoT (Internet of Things), porta infatti alla generazione di ‘big data’ che, per le loro specifiche peculiarità (volume, varietà, velo- cità) non risultano più memorizzabili e analizza- bili in maniera efficace attraverso l’uso dei data- base, delle tecnologie e degli strumenti di analisi tradizionali. Quale metodologia scegliere? Dipende dall’obiettivo La modellazione statistica analizza i dati focaliz- zandosi sull’identificazione di relazioni tra varia- bili, e sul significato di tali relazioni, per poi for- mulare una previsione. Ad esempio, la statistica inferenziale utilizza i dati statistici, prendendo un campione della popolazione, per prevedere quale fascia di persone, identificate da determinate caratteristiche sociali e di reddito, potrà votare un dato candidato. L’identificazione delle relazioni tra tali variabili rende il modello statistico chiaro e intepretabile. Anche il machine learning ha l’obiettivo di ana- lizzare i dati per elaborare previsioni: in genere, però, questi algoritmi, pur fornendo risultati e previsioni magari molto interessanti, rendono poi difficoltoso interpretare le relazioni tra i dati e le variabili, che permettono di spiegare perché la macchina sia arrivata a una determinata con- clusione. Ciò, fondamentalmente, è dovuto al fatto che, nel machine learning, implementabile ad esempio attraverso le reti neurali artificiali (ANN) , la costruzione dei modelli analitici viene automa- tizzata, sulla base del principio che il sistema è in grado di apprendere in maniera autonoma dai dati, identificando schemi e modelli. L’apprendi- mento automatico dei computer diventa possibile perché, senza necessità di programmazione espli- cita, gli algoritmi di machine learning, col pas- sar del tempo e con l’aumento del volume di dati analizzati, riescono a ‘imparare’ sempre meglio e a migliorare le loro previsioni: reite- rando i data set, il sistema è in grado di appren- dere dalle elaborazioni precedenti, e, attraverso tale metodo iterativo, diventa capace di perfezio- nare e affinare di continuo il modello. Da quanto finora esposto, si può concludere che adottare i tradizionali metodi di modellazione sta- tistica, oppure le moderne tecnologie di machine learning è una scelta che dipende in gran parte dal tipo di applicazione, e dall’obiettivo che s’intende raggiungere: in generale, quando occorre dimo- strare le relazioni tra variabili, o fare inferenze a partire da determinati data set, il modello stati- stico diventa l’approccio più indicato; se, invece, l’obiettivo è sviluppare un algoritmo che, analiz- zando grandi volumi di dati, aiuti a fare previsioni accurate, senza particolari necessità di scendere in profondità per capire in che modo il sistema sia arrivato a quel dato risultato, allora il machine learning può essere la soluzione più indicata. Aprire la ‘scatola nera’ per sviluppare fiducia In effetti, l’attuale e crescente successo di diffu- sione delle tecnologie di machine learning anche a livello aziendale, e per applicazioni commer- ciali, è spiegabile con il fatto che, per utilizzare tali servizi, ormai abbordabili anche da parte delle piccole e medie aziende, non occorre neces- I modelli statistici evidenziano le relazioni tra i dati