Machine Learning (ML)

L'apprendimento automatico (ML) è un sottoinsieme dinamico dell'intelligenza artificiale (AI) che consente ai sistemi informatici di apprendere dai dati e migliorare le proprie prestazioni senza essere programmati esplicitamente per ogni regola. Anziché seguire istruzioni statiche codificate in modo rigido, gli algoritmi di apprendimento automatico identificano schemi all'interno di enormi quantità di big data per prendere decisioni o fare previsioni. Questa capacità è alla base di molte tecnologie moderne e consente ai computer di adattarsi a nuovi scenari elaborando i dati di addestramento e perfezionando nel tempo la propria logica interna attraverso l'esperienza.

Concetti e tecniche fondamentali#

Alla base, l'ML si affida a tecniche statistiche per costruire sistemi intelligenti. Il campo viene generalmente suddiviso in tre metodologie principali in base al modo in cui il sistema apprende. L'apprendimento supervisionato prevede l'addestramento di un modello su dataset etichettati in cui l'output desiderato è noto, una tecnica comunemente utilizzata nelle attività di classificazione delle immagini. Al contrario, l'apprendimento non supervisionato opera su dati non etichettati e richiede all'algoritmo di individuare autonomamente strutture o raggruppamenti nascosti. Infine, l'apprendimento per rinforzo consente agli agenti di apprendere per tentativi ed errori all'interno di un ambiente interattivo, massimizzando una ricompensa. I progressi moderni utilizzano spesso il deep learning, un ramo specializzato dell'ML basato sulle reti neurali che imita la struttura a strati del cervello umano.

Applicazioni nel mondo reale#

L'apprendimento automatico ha trasformato numerosi settori automatizzando attività complesse. Ecco due esempi concreti del suo impatto:

• Sistemi autonomi: nel campo della visione artificiale, i modelli di ML come Ultralytics YOLO26 vengono utilizzati per il rilevamento degli oggetti in tempo reale. Questi sistemi fungono da "occhi" per i veicoli autonomi, identificando istantaneamente pedoni, altre automobili e segnali stradali per prendere decisioni di sicurezza in una frazione di secondo.
• Diagnostica medica: nel settore sanitario, gli algoritmi di ML analizzano immagini mediche complesse per rilevare anomalie, come i tumori, prima rispetto ai metodi tradizionali. Elaborando le cartelle cliniche storiche dei pazienti e utilizzando l'analisi delle immagini mediche, questi strumenti aiutano i medici a formulare diagnosi accurate e a creare piani di trattamento personalizzati.

Implementazione dell'apprendimento automatico#

Lo sviluppo di una soluzione di ML comporta un ciclo di vita noto come Operazioni di apprendimento automatico (MLOps). Questo processo inizia con la raccolta di dati di alta qualità e l'esecuzione dell'annotazione dei dati per preparare gli input del modello. Gli sviluppatori devono quindi addestrare il modello monitorando problemi come l'overfitting, in cui un sistema memorizza i dati di addestramento ma non riesce a generalizzare a nuove informazioni.

Il seguente frammento di codice Python mostra come caricare un modello di ML preaddestrato utilizzando il pacchetto ultralytics per eseguire l'inferenza su un'immagine:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Distinguere i termini chiave#

È importante distinguere l'"apprendimento automatico" dai concetti correlati. Mentre l'AI è la disciplina generale che si occupa di creare macchine intelligenti, l'ML è il sottoinsieme specifico di metodi utilizzati per ottenere tale intelligenza attraverso i dati. Inoltre, la data science è un campo più ampio che include l'ML, ma si concentra anche sulla pulizia dei dati, sulla visualizzazione e sull'analisi statistica per ricavare informazioni utili per le aziende. Framework come PyTorch e TensorFlow forniscono gli strumenti di base per costruire questi sistemi.

Per semplificare la complessità dell'addestramento e della distribuzione di questi modelli, le soluzioni cloud-native come la Ultralytics Platform consentono ai team di gestire i dataset, addestrare modelli scalabili e occuparsi in modo efficiente della distribuzione dei modelli sui dispositivi edge.