63 / 84
Fonte: Gartner
non ancora compiutamente comprese. Le tecnologie
Smart Machine adattano il proprio comportamento sulla
base dell’esperienza maturata e dipendono solo in parte
dalle istruzioni assegnate; dall’architettura (ovvero dal
modello) dipendono invece i meccanismi con cui si ac-
quisiscono i dati, in attesa che nel prossimo futuro le
macchine possano agire direttamente sul contesto per
migliorare le prestazioni.
Dal Machine Learning alla Smart Machine
‘Smart Machine’ è un binomio polisemico; l’aggettivo
smart è utilizzato in sostituzione di ‘intelligente, intelli-
genza, Ai, cognitive computing’ perché è meno speci-
fico ed è capace di aggregare significati diversi; anche il
binomio ‘artificial intelligence’ richiama un inappropriato
antropomorfismo, coniato nel 1955 quando i ricercatori
credettero di essere in grado di descrivere e automatiz-
zare i processi dell’intelligenza umana, creando appunto
un’intelligenza artificiale (Ai). ‘Cognitive computing’ è
un altro di quei termini antropomorfi usati soprattutto
dal marketing che induce le persone ad attribuire alla
computazione proprietà umane che non appartengono
invece alle tecnologie. Le macchine non pensano, non
ragionano, riflettono piuttosto l’uso delle regole della
razionalità applicate, espresse negli algoritmi codificati
per consentire operazioni complesse. Le macchine non
sono dotate di senso comune, almeno non ancora. Il
modello Machine Learning, disponibile già da qualche
decennio nella sua formulazione di base, si dimostra
particolarmente efficace nella gestione di significativi vo-
lumi di dati, individuando interazioni e pattern per risol-
vere problemi di business complessi. Si tratta di modelli
così pervasivi che spesso si usano senza averne consa-
pevolezza, come nel caso delle ricerche nel web, della
consultazione delle previsioni meteo, del riconoscimento
vocale a disposizione degli smartphone. Le ricerche
condotte da Gartner segnalano che gli analytics, parte
integrante del Machine Learning, sono il segmento più
dinamico e in rapida crescita nel mercato dei software.
Molti i fattori che guidano questo successo; innanzitutto
la disponibilità di volumi di dati generati dalle interazioni
tra clienti, social media e soprattutto sensori; poi la cre-
scente complessità dei sistemi interconnessi, infine la
disponibilità di memoria crescente a costi sempre più
contenuti. Al centro di una Machine Learning ci sono
parecchi componenti che in funzione dei dati disponibili
permettono l’estrazione delle informazioni necessarie.
La tipologia più diffusa è costituita dalla ‘supervised Le-
arning Machine’ che rappresenta circa il 95% delle Le-
arning Machine; questo modello richiede la disponibilità
di ‘training data’ usati per insegnare al modello l’abilità
di descrivere e mappare le osservazioni; la selezione del
modello permette di scegliere la tipologia di mappatura.
Le potenzialità della Machine Learning sono utilizzate
nelle vendite, nel marketing, nel risk e fraud manage-
ment, nei servizi pubblici e, più di frequente, nelle Smart
Cities e nei sistemi di trasporto Smart consentendo, per
esempio, la valutazione predittiva dei flussi di traffico o
la gestione delle emergenze o, ancora, la gestione dei
programmi di Bike sharing.
*ANALISTI GARTNER
DOSSIER
Fonte: Gartner
marzo-aprile 2017
61