machine learning

Machine Learning. Come i dati aiutano i processi decisionali.

 

Un tema che affascina da sempre gli scienziati è l’idea di costruire una macchina in grado di pensare come l’uomo, o quantomeno di avvicinarsi al pensiero umano. Un’idea vertiginosa, se ci pensiamo, perché sfiora un’idea di divino. Creare cioè macchine ove immettere dati e insegnare loro ad “imparare” dai dati stessi. Questo tipo di ricerche prese avvio fin dagli anni ’50 del Novecento con le cosiddette reti neurali, secondo modelli matematici assunti dalla statistica e dal calcolo delle probabilità. In quegli stessi anni Alan Turing lanciò l’idea di una macchina capace di imparare, dunque di diventare intelligente. Nel corso dei decenni l’Apprendimento Automatico si è sviluppato in modo sempre più separato dall’Intelligenza Artificiale classica, dirigendosi su metodi e modelli presi in prestito dalla statistica e dalla teoria della probabilità. Fino alla metà degli anni Novanta del secondo scorso, quando arriva il World Wide Web. Una grande infrastruttura mondiale che darà grande impulso all’informazione digitale e alla sua reperibilità in rete.

 

Linguaggi di programmazione e Data Science

Sono un Data Scientist. Il mio lavoro, oltre alla programmazione e alla capacità di fare calcoli, riguarda sicuramente l’approvvigionamento e il processamento di dati grezzi. Inizio cioè dai non trattati, ovvero grezzi, faccio pulizia per distillare le informazioni davvero utili. Oltre ad aggiornamento continuo, il Data Scientist deve imparare ad utilizzare al meglio i pacchetti e i moduli che ogni specifico linguaggio di programmazione offre. Se è fondamentale ottimizzare le performance del codice, specialmente in presenza di corpose quantità di dati, resta il fatto che i linguaggi compilati sono solitamente molto più veloci di quelli interpretati. Districarsi tra linguaggi di programmazione e performance degli algoritmi non è dunque semplice, ma è assolutamente necessario per essere bravi programmatori. 

 

I love Python

Un linguaggio cui sono molto legato è Python. Fu introdotto sul mercato nel 1991 ed è a tutt’oggi un linguaggio di programmazione molto popolare e diffuso nelle community di data science. Il bello di questo linguaggio è che possiede una vasta gamma di moduli appositi e un ampio sostegno comunitario: oltre a quelli già disponibili nella Standard Library del linguaggio, quasi tutti i servizi terzi che hanno a che fare con l’analisi dei dati forniscono agli sviluppatori un SDK per il linguaggio Python. Dalla sua ha anche una relativa facilità di apprendimento, ideale per chi è alle prime armi della programmazione. Per la Data Science Python si rivela un’ottima scelta, così come è un linguaggio stimolante per il machine learning grazie a “pacchetti” e library come Pandas, Scikit-learn e TensorFlow che fanno di questo linguaggio una bella opzione per il Machine Learning avanzato.

 

Machine Learning tra Trading e Assicurazioni

Quali sono alcune applicazioni del machine learning? Più della metà delle contrattazioni in Borsa, ovvero acquisto e vendita di titoli e prodotti finanziari, sono già oggi demandate alle decisioni di una macchina. L’Apprendimento Automatico – nome italiano per il machine learning – diventa decisivo per il mondo finanziario e del trading, attingendo da un lato a grandi volumi di dati da processare, dall’altro elaborando in tempo reale i dati e le informazioni provenienti dai mercati. Una particolare capacità di autoapprendimento che si rivela fondamentale anche per altre operazioni finanziarie, dalla valutazione dei rischi all’approvazione dei prestiti. Gli algoritmi di apprendimento automatico possono infatti processare grandi volumi di dati e restituire ipotesi e simulazioni del processo decisionale, ideale per le assicurazioni o nel processo di autorizzazione dei prestiti. Allo stesso modo, dall’analisi dei Big Data gli algoritmi sono in grado di interrogare il patrimonio dei clienti (azioni, obbligazioni, futures, fondi comuni di investimento) tenendo in considerazione sia il rischio che l’obiettivo di rendimento deciso dal cliente. Interessante è anche l’utilizzo del machine learning in chiave customer service, con tanto di chat bot e interfacce conversazionali che si trasformano in strumenti di comunicazione interattiva con i clienti. Il machine learning viene inoltre utilizzato per l’analisi del sentiment, allo scopo di replicare l’intuizione umana nell’attività finanziaria per scoprire i nuovi trend e i segnali provenienti dal mercato.

 

“A tu per tu con il Machine Learning” 

A tu per tu col Machine Learning libro

In Energee3 sono Python Expertise Manager. Ho scritto questo libro con l’intenzione di parlare a un pubblico di programmatori software, ma ho voluto scriverlo in modo discorsivo e arricchendolo di storie e aneddoti sul mio lavoro. Questo per renderlo interessante anche a lettori non tecnici. L’idea è nata a scopo formativo per i miei colleghi, e dopo il successo in azienda abbiamo pensato insieme alla nostra casa editrice di pubblicarlo sotto forma di libro. È acquistabile on line dal sito Edizioni Thedotcompany.

 

Spesso mi domandano cosa fare per avvicinarsi al Machine Learning. Esistono oggi moltissimi corsi, offerti sia da Università che da società di formazione. Vi sono corsi con lezioni frontali in aula e laboratorio, lezioni a distanza in video presenza, lezioni in self-study e auto apprendimento con laboratorio. Il mio consiglio è accertarsi sempre della qualità del corso e della professionalità comprovata del corpo docenti.

 

Alessandro Cucci

Programmatore senior Energee3

 

Leave a Reply