Trend 2020, scommettiamo sul Machine Learning?

In questo periodo, come ogni anno, parte il toto scommesse per i trend che guideranno l’anno digital che arriverà. Quest’anno poi, con la fine della decade e l’arrivo del futuristico — o almeno così ci piace pensare — 2020, le ipotesi più avveniristiche non mancano, in un’onda di positività sempre di grande ispirazione.

Sarà l’anno del mobile (davvero?), del video, della vocal search (che avevamo detto tutti sarebbe stato il 2020 l’anno giusto)?

Machine Learning e magia

Io, forse anche per deformazione professionale, da alcuni anni a questa parte punto tutto sul Machine Learning. Perché? Il tema è sempre affascinante (io lo definirei pure magico!) e nell’ultimo anno si è sicuramente imposto in modo più deciso nel mondo dell’industry 4.0.
Soprattutto quando un problema appare irrisolvibile se affrontato “alla vecchia maniera” (leggi: a mano o con metodi tradizionali), di Machine Learning si finisce a parlarne molto spesso, perché a volte i risultati sono impressionanti (andiamo sulla magia arcana). Ad esempio, Adweek ha recentemente invitato i suoi lettori a sottoporsi a un test per verificare in quanti riuscissero a distinguere chiaramente i titoli di giornale creati dall'intelligenza artificiale e quelli, invece, scritti personalmente dai propri giornalisti (se vuoi leggere la notizia è qui).

Per me è davvero qualcosa di magico — matematicamente magico — perché porta i sistemi a pensare e decidere, elevando quello che di solito viene considerato rigido e inquadrato — come la matematica e l’informatica — a un livello di incertezza e approssimazione tipico di noi esseri umani che, nella vita quotidiana, accettiamo senza tante preoccupazioni.

Il concetto di magia però non deve essere mal interpretato: pensare al Machine Learning come alla possibilità di creare qualcosa dal nulla è decisamente sbagliato e proviene dal fatto di non aver ben capito come funziona e come ragiona questo strumento.
Infatti, più che creare qualcosa dal nulla, possiamo pensare di insegnare al Machine Learning come noi ragioniamo, come classifichiamo le informazioni e i concetti e poi — come un giovane studente alle prese con l’algebra — vederlo valutare e affrontare nuovi casi simili a quello che gli abbiamo appena insegnato.

La grossa differenza però rispetto all'insegnamento canonico è che non gli insegniamo la teoria che sta dietro a quel ragionamento, piuttosto gli facciamo imparare la tecnica attraverso trial and error, prova e sbaglia.
In altre parole, con la pura pratica ed esperienza.

Non possiamo prendercela con la macchina se a volte l’input non è classificato in modo corretto: è probabile che non gli avremo fatto fare una pratica di sufficiente qualità e quantità. Come sarebbe d'altronde possibile pretendere che il sistema individuasse un pandoro o una colomba se gli abbiamo sempre e solo fatto vedere dei panettoni?

Sarà davvero il trend per eccellenza?

Torniamo ora al punto di partenza; chiediamoci se per noi e per il nostro business il 2020 sarà davvero l’anno del Machine Learning. Per risponderci, possiamo pensare a quali dati stiamo raccogliendo: sono sufficienti a fare dei ragionamenti? Sono abbastanza variegati? Abbiamo etichettato chiaramente cosa è “buono” e cosa è “cattivo” in modo che il nostro sistema, una volta opportunamente istruito e sintonizzato, lo abbia capito?

Se ci siamo, bene; è un percorso lungo — teniamolo bene a mente — ma che può portare a fare la differenza. Se non ci siamo, cerchiamo di capire il perché: il Machine Learning non è la panacea di tutti i mali, ma può risolvere problemi specifici se ci sono le condizioni per farlo. Serve un dato che abbia sufficiente varietà (ad esempio i semplici dati di navigazione sono insufficienti perché troppo simili), un volume di dati adeguato al numero di caratteristiche che vogliamo insegnare al nostro modello (maggiore complessità = necessità di un maggior numero di dati) e una quantità considerevole di dati già classificati correttamente.

Se queste condizioni non si verificano, non dobbiamo disperare: probabilmente non ne abbiamo davvero bisogno e conviene concentrarsi su tecniche più tradizionali.
Ma è importante valutare se c’è il potenziale per sfruttare questa tecnologia anche in un momento successivo: oggi possiamo seminare il terreno per raccogliere il dato di qualità attraverso una data strategy dedicata in modo da far aumentare le nostre opportunità di trarre informazioni dai dati con questi sistemi.
In più, applicare il Machine Learning sta diventando sempre più economico grazie a modelli cloud pay-per-use che funzionano molto bene su alcuni tipi di contenuto come testi e immagini: permettono di ridurre tempi e costi e avere risultati più rapidamente.

Ma di questo avremo tempo di parlarne un’altra volta… Ora non ci resta che aspettare l’anno nuovo.


Questo articolo è stato scritto da Alessandro Pelliciari, Marketing Technology Director, per il blog di Webranking.


Ricevi la nostra newsletter? Una volta al mese tutte le novità del Digital Marketing, iscriviti qui.


Webranking offre consulenza strategica di digital marketing per i più importanti brand italiani e internazionali attraverso attività di media planning, experience design e data intelligence ed è la maggiore search agency indipendente italiana.

Webranking

Digital Marketing Agency. Tra le aziende europee col più alto tasso di crescita secondo il Financial Times e tra i 50 Great Place to Work in Italia https://www.webranking.it/

Alessandro Pelliciari

Written by

Marketing Technology Director @ Webranking

Webranking

Digital Marketing Agency. Tra le aziende europee col più alto tasso di crescita secondo il Financial Times e tra i 50 Great Place to Work in Italia https://www.webranking.it/

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade