In base a cosa l’AI fa predizioni?

L’AI fa predizioni generalizzando informazioni che ha già visto nel passato, in base alla situazione che sta osservando nel momento presente.

In particolare, in industria osservare la situazione del momento presente significa elaborare in real-time i dati dal campo – temperatura, pressione, portata, ma anche immagini superficiali o di altro tipo. Questi diventano gli input del modello.

Il modello, in base agli input, cerca di fare una predizione, chiamata output. Gli output possono essere ad esempio il valore di temperatura o consumo attesi, o la probabilità che la condizione specifica sia sintomo di un guasto, o se l’immagine contiene o meno un difetto o un pezzo di scarto.

Come fa un pappagallo ad imparare a parlare? L’AI che apprende: il machine learning

L’intelligenza artificiale industriale è utile solo se ha avuto modo di apprendere come rappresentare il sistema fisico in modo preciso. A seconda delle azioni (task) che si vogliono ottenere e alla struttura dei dati disponibile, ci sono quattro modi diversi in cui l’AI può imparare.

L’AI impara solo perché tra le sue tecnologie c’è il machine learning e il suo sotto insieme del deep learning, ovvero l’insieme di metodi che rende possibile all’AI di imparare senza che nessuno le dica come.

La differenza principale tra machine learning e deep learning è la complessità nella struttura, da cui deriva il nome della famiglia di algoritmi – deep learning, appunto, tradotto in apprendimento profondo. Anche se il deep learning è più complesso e più potente, le modalità di apprendimento seguono le stesse regole.

Ogni metodo – chiamato algoritmo – ha strutture diverse e modalità di apprendimento differenti.

Si dice che il programma apprende quando, dato un task, la sua performance nel task aumenta all’aumentare dell’esperienza.

Ispirato alla definzione di Machine Learning di Tom Mitchell, 1997

L’apprendimento trasforma un algoritmo in un modello, e deve essere fatto in base ad un task (obiettivo o azione specifica) valutabile tramite una performance: ad esempio quante volte il modello avrebbe indovinato il guasto, o quale errore percentuale commette.

Quando l’algoritmo impara e quando il modello predice: allenamento e predizione

A meno che non sia esplicitamente programmato in modo differente, il modello di machine learning o di deep learning segue due fasi separate per imparare e poi predire. Per fare sì che ad ogni nuovo dato in arrivo l’algoritmo si riaggiorni, è necessario abilitare il continual (o continuous) learning.

Allenamento

Il primo step è proprio il training, o apprendimento, o allenamento – scegli tu quello che preferisci.

In questa fase, l’algoritmo vergine con una struttura non ottimizzata vede dei dati e impara a replicare le caratteristiche di questi dati. Questi dati sono divisi in dataset di train (usato dall’algoritmo per imparare) e di test (usato dall’algoritmo per valutare le sue performance e valutare se sta imparando bene o no). Man mano che l’algoritmo vede nuovi dati, imparando, definisce la sua struttura e diventa un modello.

In alcune modalità di apprendimento, il dataset di train e test viene raccolto in parallelo alla fase di predizione: in questi cassi si parla di apprendimento per rinforzo. Negli altri casi invece i dati sono dati di storico, in questo caso parliamo invece di apprendimento supervisionato o non supervisionato.

Per ogni algoritmo ci possono essere modelli infiniti con strutture ottimizzate in modo differente: l’algoritmo rete neurale può essere applicato a un compressore, un cogeneratore, un cuscinetto, un edificio, ognuno dei quali sarà rappresentato da un modello basato su rete neurale diverso.

Predizione

Quando il modello, in base alla sua performance, valuta di essere pronto e quindi di aver ottimizzato la sua struttura per rappresentare al meglio i dati dello storico, si passa alla fase di predizione. Nella fase di predizione, o esecuzione, il modello guarda nuovi dati e fa predizioni consistenti a quanto imparato dallo storico, guardando nuovi input e predicendo l’output nei modi che ha imparato.

Mentre la fase di predizione è sempre identica, l’apprendimento cambia al variare della struttura e delle modalità di raccolta del dataset di training e test.

Quindi?

Quando il modello sta imparando, ha bisogno di dati storici per adattarsi e fare predizioni sempre più precise.

Una volta che il modello è pronto, smette di imparare e comincia a fare predizioni, replicando quello che ha visto nel passato con la grande ipotesi che il passato si ripete.