Machine Learning (ML)

Il Machine Learning (ML) è un sottoinsieme dinamico dell'artificial intelligence (AI) che permette ai sistemi informatici di imparare dai dati e migliorare le proprie prestazioni senza essere esplicitamente programmati per ogni regola. Invece di seguire istruzioni statiche e predefinite, gli machine learning algorithms identificano schemi all'interno di enormi quantità di big data per prendere decisioni o fare previsioni. Questa capacità è il motore dietro molte tecnologie moderne, consentendo ai computer di adattarsi a nuovi scenari elaborando training data e perfezionando la propria logica interna nel tempo attraverso l'esperienza.

Link to this sectionConcetti e tecniche fondamentali#

Alla base, il ML si affida a tecniche statistiche per costruire sistemi intelligenti. Il campo è generalmente suddiviso in tre metodologie principali basate su come il sistema apprende. Il Supervised learning prevede l'addestramento di un modello su set di dati etichettati dove l'output desiderato è noto, una tecnica comunemente utilizzata in attività di image classification. Al contrario, l'unsupervised learning gestisce dati non etichettati, richiedendo all'algoritmo di trovare autonomamente strutture o cluster nascosti. Infine, il reinforcement learning consente agli agenti di imparare attraverso tentativi ed errori all'interno di un ambiente interattivo per massimizzare una ricompensa. I progressi moderni utilizzano spesso il deep learning, un ramo specializzato del ML basato su neural networks che imita la struttura stratificata del cervello umano.

Link to this sectionApplicazioni nel mondo reale#

Il Machine Learning ha trasformato numerosi settori automatizzando attività complesse. Ecco due esempi concreti del suo impatto:

• Sistemi autonomi: Nel campo della computer vision, modelli di ML come Ultralytics YOLO26 vengono utilizzati per l'object detection in tempo reale. Questi sistemi fungono da "occhi" per i autonomous vehicles, identificando istantaneamente pedoni, altre auto e segnali stradali per prendere decisioni di sicurezza in frazioni di secondo.
• Diagnostica medica: Nell'healthcare, gli algoritmi di ML analizzano complesse immagini mediche per rilevare anomalie come tumori più precocemente rispetto ai metodi tradizionali. Elaborando lo storico dei dati dei pazienti e utilizzando l'medical image analysis, questi strumenti aiutano i medici a formulare diagnosi accurate e a creare piani di trattamento personalizzati.

Link to this sectionImplementare il Machine Learning#

Sviluppare una soluzione di ML comporta un ciclo di vita noto come Machine Learning Operations (MLOps). Questo processo inizia con la raccolta di dati di alta qualità e l'esecuzione del data annotation per preparare gli input per il modello. Gli sviluppatori devono poi addestrare il modello monitorando problemi come l'overfitting, dove un sistema memorizza i dati di addestramento ma non riesce a generalizzare su nuove informazioni.

Il seguente snippet Python dimostra come caricare un modello di ML pre-addestrato 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()

Link to this sectionDistinguere i termini chiave#

È importante distinguere il "Machine Learning" da concetti correlati. Mentre l'AI è la scienza generale della creazione di macchine intelligenti, il ML è il sottoinsieme specifico di metodi utilizzati per raggiungere tale intelligenza tramite i dati. Inoltre, la data science è un campo più ampio che incorpora il ML ma si concentra anche sulla pulizia dei dati, sulla visualizzazione e sull'analisi statistica per estrarre insight aziendali. Framework come PyTorch e TensorFlow forniscono gli strumenti sottostanti per costruire questi sistemi.

Per semplificare la complessità dell'addestramento e del deployment di questi modelli, soluzioni cloud-native come la Ultralytics Platform consentono ai team di gestire i dataset, addestrare modelli scalabili e gestire il model deployment su dispositivi edge in modo efficiente.