Le caratteristiche del machine learning e del deep learning
Esistono due tipologie di approccio del Machine Learning: apprendimento supervisionato (supervised learning) e apprendimento non supervisionato. Il primo è l’algoritmo di apprendimento automatico più comune che produce un’ipotesi induttiva ossia una funzione in grado di “apprendere” dai risultati forniti durante la fase di esempio (costituiti da coppie di input e di output) e in grado di avvicinarsi a dei risultati desiderati per tutti gli esempi non forniti. L’apprendimento supervisionato può essere delineato in due gruppi: problemi di regressione e di classificazione.
Nel caso dell’apprendimento non supervisionato, i dati forniti non sono “etichettati” ma riclassificati e organizzati sulla base di caratteristiche comuni per cercare di effettuare ragionamenti e previsioni sugli input successivi. Le classi non sono note a priori ma vengono apprese automaticamente.
Il deep learning, invece, sottoinsieme del machine learning, ha riscosso successo nella risoluzione di problemi in settori diversi. Riconoscimento vocale, elaborazione del linguaggio naturale e elaborazione delle immagini per citarne alcuni. Può essere definito un perfezionamento della rete neurale artificiale (RNA) che emula il modo in cui il cervello umano risolve e apprende i problemi.
Perché l’apprendimento automatico sta vivendo il suo periodo d’oro?
Quantità di dati
L’AI per poter apprendere necessita di molti dati. Il processo di digitalizzazione che sta investendo le aziende comporta la creazione di una quantità spropositata di dati che alimentano la crescita stessa dell’AI. Dai Big Data dell’IoT al social e mobile computing ma anche la scienza e il mondo accademico generano dati che possono essere utilizzati per addestrare i modelli di intelligenza artificiale. Maggiori sono i dati da analizzare, maggiori sono gli investimenti in questo settore.
Progressi nell’hardware e modelli computazionali
Le GPU (graphic processing units) hanno ottenuto popolarità nel settore AI per la capacità di gestire un elevato grado di attività parallele ed eseguire moltiplicazioni di matrice in modo efficiente. Con l’adozione dell’AI inoltre, i fornitori di hardware ora hanno anche la domanda di chip per giustificare e ammortizzare i grandi costi di capitale richiesti per sviluppare, progettare e fabbricare prodotti su misura esclusivamente per l’AI.
Algoritmi più sofisticati
Prestazioni più elevate e calcoli meno costosi consentono ai ricercatori di sviluppare e addestrare algoritmi più avanzati perché non sono più limitati dagli hardware del passato. La risoluzione di problemi sempre più specifici con algoritmi sempre più precisi permette di alzare l’asticella della performance dell’AI ad un livello maggiore.
Investimenti
Se negli ultimi decenni la ricerca in ambito AI era relegata agli istituti di ricerca e alle università, oggi gli investimenti in sviluppo di questa tecnologia non conoscono limiti; non solo governi e start-up ma anche giganti di Internet e realtà industriali.
L’apprendimento automatico applicato a supply chain e procurement
Questa tecnologia sta entrando nel mondo degli affari e le aziende ne implementano programmi pilota. Anche il procurement può trarre vantaggio dall’apprendimento automatico per l’insieme delle attività ripetitive e manuali che tale ufficio richiede e che in questo modo potrebbero essere più semplici e veloci.
Un altro settore del business che può giovare dal suo impiego è la filiera. In questo caso, l’apprendimento automatico può servire a migliorare alcune problematiche relative alle carenze di scorte, quantità eccessiva di inventario non in movimento, prezzi non competitivi e ritardi di consegna. Ma non solo, il machine learning può diventare la soluzione chiave in altri contesti:
-
Analisi predittiva per stock in transito
Le aziende che emettono e ricevono merci devono conoscere gli spostamenti di materiali e prodotti per poter affrontare con anticipi possibili ritardi e problematiche.
-
Approvvigionamento automatizzato di assegnazione delle forniture
Il sistema in questo modo deve creare automaticamente un evento di offerta quando una fonte interna di approvvigionamento non è disponibile. L’intelligenza artificiale si comporta come un “acquirente umano” inviando l’invito all’offerta a un elenco definito di fornitori preferiti.
-
Migliori trattative di acquisto una tantum e a testo libero
Gli algoritmi di apprendimento automatico che guardano attraverso il testo libero confrontano le richieste con modelli di descrizione storici per raccomandare l’aggiunta di un prodotto o servizio al catalogo. Ciò consente di negoziare i prezzi per più di un acquisto unico.
Ma non è finita qui, infatti in un prossimo futuro si ritiene che il machine learning potrà ridurre i costi logistici, perché può trovare modelli nei dati di tracciabilità, ridurre gli errori di previsione e il potenziale di frode. Contribuisce inoltre a migliorare la visibilità della catena di fornitura end-to-end fornendo approfondimenti sia predittivi che prescrittivi che aiutano le aziende a reagire più rapidamente.
