AS_07_2021

FOCUS approfondimenti 55 INTELLIGENZA ARTIFICIALE Automazione e Strumentazione n Ottobre 2021 learning ne fanno oggi una priorità tecnologica asso- luta, in cima alla lista delle cose da fare, delle ini- ziative strategiche da inserire nel business plan di un’azienda. Da tempo, del resto, la società di ricerca e consulenza Gartner mette in guardia i CIO (chief information officer) delle imprese nei confronti dei cosiddetti ‘digital dragons’, come Amazon e Ali- baba, che, attraverso la trasformazione digitale e la ‘machine Intelligence’, stanno reinventando le regole del gioco, intessendo l’infrastruttura di business del futuro, e assumendo ruoli di primo piano al di fuori del settore tecnologico. In tutto il mondo, il comparto dell’apprendimento automatico, sta espandendosi molto rapidamente: a livello globale, il mercato del machine learning, valutato di 2,40 miliardi di dollari nel 2019, secondo stime della società di analisi Verified Market Rese- arch (VMR), è previsto raggiungere i 47,29 miliardi di dollari entro il 2027, registrando un CAGR (com- pound annual growth rate) pari al 44,9% nel periodo 2020-2027. L’innovazione e la crescente precisione di queste tec- nologie ne ha alimentato la domanda in vari settori, dove gli utenti interagiscono in varie applicazioni ML-based. Quest’ultime includono, ad esempio, i sistemi di riconoscimento vocale, i sistemi di ricono- scimento delle immagini, o anche i cosiddetti ‘recom- mendation systems’. Nel caso specifico, i sistemi di raccomandazione, negli ultimi anni si sono diffusi in maniera crescente, ad esempio su piattaforme come Netflix ed Amazon: durante la navigazione su un sito di commercio elettronico, sono in grado di guidare l’acquirente nel processo d’acquisto. I suggerimenti personalizzati su possibili prodotti d’interesse sono forniti dall’algoritmo in tempo reale, analizzando una varietà di dati, che, tra l’altro, tengono conto delle informazioni demografiche sull’utente, dei commenti, valutazioni, giudizi espressi dai consuma- tori, nonché della storia personale di relazione con quel dato brand, e degli acquisiti già effettuati su quella specifica piattaforma di e-commerce. In differenti aree industriali, lo sviluppo del mercato della machine intelligence è corroborato dall’inte- grazione del machine learning nella robotica . Le innovazioni del ML, ricorda VMR, hanno incremen- tato la capacità dei robot di portare il loro contributo nel potenziamento di applicazioni come i droni e i veicoli autonomi. Inoltre, l’espansione del comparto è ulteriormente aumentata dalla crescente domanda di sistemi robotici evoluti in diversi settori verticali, che includono il mondo automobilistico, l’elettro- nica, l’industria alimentare e delle bevande, il settore dell’assistenza sanitaria. Appredimento automatico, la strada verso il machine teaching Nello scenario di sviluppo del machine learning appena tratteggiato, il machine teaching, nella visione di Microsoft, s’inserisce come un approccio comple- mentare, e in grado di evolvere in maniera indipen- dente rispetto al ML. Il concetto di machine teaching, analizzato nei suoi principi dai ricercatori Microsoft da oltre una decina d’anni, è ben espresso in un articolo di Jen- nifer Langston, con un’intervista a Mark Hammond, general manager di Microsoft per l’area Business AI. Langston scrive di ricerca e innovazione Microsoft per “The AI Blog”, lo spazio che la casa di Redmond dedica ai temi dell’intelligenza artificiale. Quasi nes- suno, esemplifica la blogger, penserebbe d’insegnare a un bambino di cinque anni come colpire una palla da baseball, dandogli una mazza e una palla, dicendo- gli di lanciarle in aria in un’infinità di combinazioni possibili, e pretendendo che capisca come collegare correttamente i diversi, complessi movimenti, per riuscire in quell’intento. Eppure, questa è in sostanza la modalità con cui si affronta il machine learning oggi, chiarisce: si mostrano, si somministrano alla macchina grandi moli di dati, e ci si aspetta che essa comprenda le associazioni, o scopra e identifichi schemi complessi in maniera autonoma. Questa metodologia ha funzionato bene per molte delle comuni applicazioni della AI, come il ricono- scimento di testo o immagini, ma per soddisfare l’e- Il mercato globale del machine learning (fonte: VMR)