Il ruolo dell'apprendimento automatico e del data mining nella visione artificiale

L'intelligenza artificiale (AI) è una tecnologia potente, particolarmente efficace nell'analizzare diversi tipi di dati e nell'apprendere da essi nel tempo. Per esempio, la visione artificiale, un ramo dell'AI, si concentra sulla comprensione dei dati visivi. Un altro ambito importante è il machine learning (ML), che, insieme al data mining, contribuisce in modo significativo a migliorare i modelli di visione artificiale. Il data mining consiste nel trovare schemi utili in grandi dataset, mentre il machine learning usa questi schemi per addestrare modelli AI a svolgere attività senza istruzioni dettagliate.

Queste tecnologie sono sempre più diffuse in settori come le auto a guida autonoma, la finanza e la produzione, grazie ai notevoli progressi degli ultimi anni. In questo articolo vedremo cosa sono il data mining e il machine learning, come vengono usati nella visione artificiale e come collaborano per promuovere il progresso in ambiti come la sanità.

Che cos'è il machine learning?#

Il machine learning permette alle macchine di apprendere in modo simile agli esseri umani, usando dati e algoritmi per individuare schemi e prendere decisioni con un intervento umano minimo. Man mano che questi sistemi vengono esposti ai dati, elaborano previsioni sempre più accurate.

Il processo usa algoritmi per formulare previsioni o classificazioni sulla base dei dati in ingresso. L'algoritmo individua innanzitutto gli schemi e formula una prima stima o inferenza ragionata. Per misurare la precisione, una funzione di errore confronta l'output del modello con esempi noti; il sistema regola quindi i propri parametri per ridurre al minimo gli errori. Questo ciclo di valutazione e regolazione prosegue automaticamente finché il modello non raggiunge il livello di prestazioni desiderato.

In genere, esistono quattro tipi di machine learning: supervisionato, non supervisionato, semi-supervisionato e per rinforzo. Vediamoli uno per uno:

• Apprendimento supervisionato: gli algoritmi apprendono da dati etichettati per prevedere gli output di nuovi input. I sistemi di filtraggio dello spam nei servizi di posta elettronica usano l'apprendimento supervisionato.
• Apprendimento non supervisionato: a differenza dell'apprendimento supervisionato, questo metodo opera su dati non etichettati. L'algoritmo individua schemi o raggruppa i dati in base alle somiglianze, senza alcuna guida. Viene spesso usato per attività come il rilevamento delle anomalie.
• Apprendimento semi-supervisionato: questo approccio combina una piccola quantità di dati etichettati con un insieme più ampio di dati non etichettati. L'algoritmo apprende da entrambi per migliorare l'accuratezza, risultando utile quando i dati etichettati sono scarsi o costosi.
• Apprendimento per rinforzo: in questo caso, l'algoritmo apprende interagendo con l'ambiente e ricevendo premi o penalità in base alle proprie azioni. Continua a migliorare cercando di massimizzare i premi ed è comunemente usato in ambiti come la robotica, i videogiochi e le auto a guida autonoma.

Fig. 1. Tipi di machine learning.

Che cos'è il data mining?#

Il data mining è il processo di esplorazione e analisi di grandi dataset per individuare schemi nascosti, tendenze e informazioni preziose che non sono immediatamente evidenti. Consiste nel trasformare i dati grezzi in informazioni utili, combinando tecniche statistiche, machine learning e strumenti di gestione di database per individuare connessioni e schemi nei dati.

Il processo inizia con la raccolta dei dati da fonti diverse, come database o fogli di calcolo, e la loro organizzazione in un formato strutturato. I dati vengono poi ripuliti per correggere errori, incongruenze o informazioni mancanti e garantirne l'accuratezza. Una volta pronti, vengono analizzati con algoritmi avanzati e metodi statistici.

Ecco alcune delle tecniche più comuni usate per analizzare i dati:

• Classificazione: raggruppare i dati in categorie predefinite in base agli schemi individuati.
• Clustering: raggruppare punti dati simili per individuare raggruppamenti naturali nei dati.
• Associazione: individuare relazioni tra variabili, per esempio gli schemi degli articoli acquistati frequentemente insieme.

Queste tecniche aiutano a estrarre dai dati schemi e informazioni significativi. I risultati vengono poi interpretati e presentati in modo comprensibile e utile, trasformando i dati grezzi in informazioni preziose che possono aiutarti a prendere decisioni informate.

Fig. 2. Le fasi del data mining.

Applicazioni del machine learning e del data mining#

In molti settori esistono applicazioni in cui il machine learning e il data mining possono fare una grande differenza. Per capire l'impatto di queste tecnologie, prenderemo come esempio il settore della vendita al dettaglio.

Il machine learning può essere particolarmente utile per i rivenditori che fanno affidamento sulle vendite online. Grandi aziende come eBay e Amazon utilizzano strumenti integrati di machine learning lungo l'intero ciclo di vendita. Uno dei principali usi nel commercio al dettaglio è l'abbinamento dei prodotti: consiste nell'individuare e collegare articoli identici presenti in cataloghi diversi, un'operazione utile per confrontare i prezzi, creare pagine prodotto unificate e individuare lacune nell'offerta. L'abbinamento manuale funziona con cataloghi piccoli, ma il ML consente di gestire in modo efficiente cataloghi molto più ampi. Permette inoltre diversi tipi di abbinamento dei prodotti: esatto, approssimativo, basato sulle immagini, sugli attributi, sulle categorie e tra domini diversi.

Fig. 3. Tipi di corrispondenze tra prodotti.

Un'interessante applicazione del data mining nel commercio al dettaglio consiste nel capire il comportamento dei clienti, in particolare tramite la segmentazione della clientela. I clienti possono essere raggruppati in base a caratteristiche comuni, come dati demografici, abitudini di acquisto e cronologia degli acquisti. I rivenditori possono usare questi gruppi per creare nuove strategie di marketing e raggiungere i clienti attuali e futuri.

A proposito di comportamento dei clienti, un altro importante caso d'uso del data mining nel commercio al dettaglio è l'analisi dell'abbandono, noto anche come perdita o defezione dei clienti. I rivenditori possono capire quali categorie di clienti se ne vanno, perché lo fanno e come migliorare la fidelizzazione. Anche se un certo livello di abbandono è inevitabile, individuare schemi con il data mining permette ai rivenditori di adottare misure proattive, come offrire promozioni o buoni sconto, per ridurre la perdita di clienti.

Fig. 4. Segmentazione della clientela.

Il legame tra ML, data mining e visione artificiale#

La visione artificiale è un campo dell'AI che si basa ampiamente sul machine learning per insegnare ai computer a interpretare i dati visivi di immagini e video. Il data mining può invece supportare le applicazioni di visione artificiale analizzando enormi quantità di dati grezzi per individuare le immagini più pertinenti all'addestramento del modello. Questo è fondamentale per garantire che il modello apprenda dagli esempi migliori, riducendo i dati superflui e aiutandolo a concentrarsi sugli aspetti importanti. Di conseguenza, il data mining aiuta i modelli di visione artificiale a operare in modo più efficiente e accurato, migliorando attività come il rilevamento degli oggetti, la segmentazione delle istanze e la classificazione delle immagini.

Applicazioni che usano ML, data mining e visione artificiale#

Per capire la sinergia tra ML, data mining e visione artificiale, vediamo un esempio di applicazione nel settore sanitario.

Il machine learning, il data mining e la visione artificiale stanno favorendo importanti progressi nella sanità. Istituzioni mediche come Johns Hopkins Medicine negli Stati Uniti usano queste tecnologie per analizzare immagini mediche e individuare precocemente malattie e anomalie come i tumori. I modelli di visione artificiale come Ultralytics YOLOv8 possono analizzare le immagini per rilevare eventuali anomalie, mentre il machine learning può individuare nelle cartelle cliniche schemi che potrebbero segnalare problemi di salute. Il data mining può quindi analizzare enormi quantità di dati correlati per aiutare a trovare trattamenti efficaci o possibili cure. Combinando queste tecnologie, i professionisti sanitari possono diagnosticare le patologie con maggiore precisione e sviluppare piani di trattamento migliori, migliorando in definitiva gli esiti per i pazienti.

Fig. 5. Uso di YOLOv8 per rilevare i tumori.

Sfide e prospettive future#

Sebbene le applicazioni che usano visione artificiale, data mining e machine learning offrano diversi vantaggi, ci sono anche alcuni limiti da considerare. Spesso queste innovazioni richiedono enormi quantità di dati per funzionare bene e la privacy dei dati può destare preoccupazione. Per esempio, i sistemi di visione artificiale nei negozi possono raccogliere ed elaborare i dati dei consumatori, che devono essere informati della raccolta.

Oltre ai problemi di privacy dei dati, anche la complessità dei modelli di visione artificiale rappresenta una difficoltà. Quando si cerca di prendere decisioni consapevoli, può essere difficile capire come questi modelli arrivino a un determinato risultato. Nonostante queste sfide, si stanno adottando sempre più misure per rendere le soluzioni AI più responsabili. Per esempio, tecniche come il federated learning si stanno diffondendo perché permettono di sviluppare l'AI tutelando al contempo la privacy.

Il federated learning è un metodo che consente ai modelli di apprendere dai dati senza spostarli dalla loro posizione originale. Invece di raccogliere tutti i dati in un database centrale, il modello viene addestrato direttamente sui singoli dispositivi o server che li contengono. Questi dispositivi inviano poi solo gli aggiornamenti del modello, anziché i dati effettivi. Gli aggiornamenti vengono quindi integrati per migliorare il modello complessivo.

Punti chiave#

Il machine learning e il data mining svolgono entrambi un ruolo importante nella visione artificiale. Aiutano ad analizzare grandi quantità di dati visivi, a ricavarne informazioni utili e a migliorare ambiti diversi come la sanità, gli acquisti online e le auto a guida autonoma. Sebbene esistano sfide, come la tutela della privacy e la comprensione dei modelli complessi, nuovi metodi come il federated learning contribuiscono ad affrontarle. Con il progresso di queste tecnologie, è probabile che le decisioni migliorino e l'innovazione si diffonda in molti ambiti, rendendo le nostre vite più efficienti e connesse.

Ti interessa l'AI? Dai un'occhiata al nostro repository GitHub per scoprire i nostri contributi all'AI e non dimenticare di partecipare alla nostra community. Scopri come applichiamo l'AI in settori come la produzione e la sanità.