logo logo

Machine learning: l'apprendimento del software basato sull’esperienza. Focus sul retail


20/06/2018 · MACHINE LEARNING

MACHINE LEARNING

Migliorare risposte e prestazioni imparando dall’esperienza: i sistemi di machine learning fondano il loro apprendimento autonomo sulla raccolta dei dati relativi all’esperienza compiuta e su modelli e strutture di comportamento che costruiscono e migliorano progressivamente sulla base delle informazioni costantemente immagazzinate.

Sono numerose le tecnologie d’uso quotidiano che si avvalgono di questi sistemi: i motori di ricerca forniscono risposte alle query degli utenti estraendo le informazioni presenti in rete e i dati forniti dal comportamento degli utenti stessi. I risultati proposti, sulla base di schemi, modelli e strutture presenti nei dati, saranno la risposta più coerente alla richiesta posta dall’utente, nel momento in cui la compie.
Anche i filtri anti spam delle caselle di posta elettronica si basano su sistemi di machine learning. Attraverso le informazioni acquisite, grazie ai dati che l’utente fornisce con il proprio comportamento, gli algoritmi dei filtri anti spam rendono sempre più efficaci le regole che hanno costruito per intercettare i messaggi di posta elettronica sospetti o fraudolenti ed eliminarli.
Il riconoscimento vocale, di cui sono dotati molti smartphone, si basa sull’apprendimento autonomo; per imparare il sistema utilizza le informazioni che l’utente fornisce mentre usa queste applicazioni per organizzare la giornata, svolgere ricerche internet, telefonare o inviare un’email.
Lo stesso sistema di advertising sui motori di ricerca utilizza il machine learning per proporre al singolo utente annunci pubblicitari, costantemente coerenti con gli interessi del momento dell’utente ai quali vengono proposti.

Sistemi di questo tipo si fondano su algoritmi che utilizzano metodi matematico-computazionali per apprendere informazioni direttamente dai dati disponibili. Attraverso i dati forniti il sistema impara a svolgere la funzione o l’attività richiesta migliorando le proprie prestazioni dopo lo svolgimento di un compito o il completamento di un’azione anche errata.

Questo tipo di apprendimento si basa su due approcci distinti, il machine learning con apprendimento supervisionato o con apprendimento non supervisionato.

Nell’apprendimento supervisionato vengono forniti set di dati come input e informazioni relative ai risultati desiderati con l’obiettivo che il sistema identifichi una regola generale che colleghi i dati in ingresso con quelli in uscita. Vengono forniti degli esempi di input e di output in modo che impari ciò che li collega, in modo da poter poi riutilizzare la regola imparata per altri compiti simili.

Nell’apprendimento non supervisionato al sistema vengono forniti esclusivamente set di dati senza indicazioni che riguardino il risultato desiderato. Lo scopo di questo secondo metodo di apprendimento è identificare schemi e modelli nascosti senza alcuna informazione preliminare.

Nell’ambito del retail, i sistemi machine learning capaci di apprendere direttamente dal comportamento dell’utente, in tempo reale, possono essere utilizzati nell’ambito della personalizzazione di prodotti e servizi da proporre al cliente, per attuare strategie di prezzi dinamici o nell’ambito della previsione del piano di contenuti informativi da condividere per guidare l’utente nel processo decisionale d’acquisto.

Lo store Amazon si serve di un algoritmo di machine learning capace di suggerire prodotti correlati alle ricerche, agli acquisti e agli interessi degli utenti che utilizzano la piattaforma. Questo processo automatico è responsabile del 55% delle vendite sul portale.

Alibaba si avvale di sistemi di machine learning con l’obiettivo di integrare store online e offline, fornendo ai rivenditori servizi di analisi predittiva e supporto al processo di acquisto rintracciando i clienti ovunque stiano facendo acquisti, da mobile o in uno store fisico.

Target, “one-stop shop” americano, con il machine learning ha profilato le utenti in stato di gravidanza essendo in grado di stabilire il trimestre del periodo di gestazione per personalizzare l’offerta su un segmento di target specifico ed in evoluzione.