Introduzione al Machine Learning

Questo articolo vuole essere una sorta di piccolo manuale d’uso per conoscere un po’ più da vicino il machine learning e comprendere i concetti essenziali dell’apprendimento automatico da parte di algoritmi e programmi per usi che spaziano dalla sicurezza informatica al marketing passando per i trasporti e le app legate alla salute e al benessere.

Conoscere questa materia o settore, inoltre, è utile per trovare lavoro o migliorare le skills ricercate dal mercato. Sono infatti molte le job offer e i posti vacanti anche per profili con una laurea umanistica e non solo scientifica che conoscano le basi del machine learning. E sono tanti anche i corsi di formazione che permettono di padroneggiare le nozioni principali di questa materia.

Perciò, se non hai un background informatico e ti stai approcciando al mondo del machine learning o semplicemente desideri avere un’idea chiara e non eccessivamente tecnica, sei nel posto giusto. 

L’articolo è composto da: 

- Un’introduzione al machine learning (cos’è?)

- Una veloce presentazione dei settori professionali dove è utilizzato

- Le ragioni per cui è importante conoscere il machine learning

- Le opportunità di carriera e le aziende attive in questo ambito

Che cos’è il Machine Learning

Hai mai visto il film “The Imitation Game”? Ricostruisce la vita di Alan Turing, il papà dell’informatica e del computer ma soprattutto della prima macchina in grado di decifrare da sola i complessi codici segreti dell’esercito tedesco durante la Seconda Guerra Mondiale. Turing fu anche il primo scienziato a predire l’avvento del machine learning a un convegno di matematica del 1947. “Ciò di cui abbiamo bisogno è di una macchina che possa imparare dall’esperienza”, disse.

Oggi il machine learning è una branca dell’Intelligenza Artificiale (AI), nata per elaborare tecniche e metodi grazie a cui un algoritmo può imparare ad eseguire azioni in modo autonomo basandosi sull’analisi - l’esperienza - dei dati e quindi senza che un essere umano decida al suo posto. Ad esempio capire, analizzando milioni di acquisti online e “mi piace” messi a certe immagini, quali clienti di un brand nel mondo hanno gli stessi gusti e creare un elenco automatico di profili-tipo per una società di marketing. Oppure, partendo da milioni e milioni di informazioni su percorsi, deviazioni, frequenza e condizioni ambientali, decidere  quale sia il percorso più efficiente per un’auto durante il picco di traffico. 

Il tutto grazie a degli input iniziali - forniti dall’uomo - e da una serie di regole per affrontare casi sconosciuti e quindi accumulare esperienza sulla cui base prendere poi decisioni automatiche. E’ chiaro: la maggior parte di questi sistemi si tramutano in software e programmi, quindi hanno a che vedere con il mondo digitale e hi-tech. 

Ma è opportuno allargare un po’ lo sguardo e capire che, anche se non si è ingegneri informatici, si può diventare ottimi consulenti in grado di capire, ad esempio, se un business abbia bisogno o meno del machine learning per progredire e se sì quale sia la parte del business da far gestire in modo autonomo.

Per fare ancora un esempio: gli stessi sistemi di recruiting online per trovare lavoro, come LinkedIn, sono basati su algoritmi che usano il machine learning per creare  - tra milioni di profili - il match perfetto tra chi cerca e chi offre lavoro.

Detto ciò, si tratta di un ambito che richiede certamente competenze di sviluppo informatico, scrittura di codice, statistica e data science. Ma anche profili non scientifici possono lavorare in comparti o aziende che sfruttano il machine learning. 

In che ambito viene utilizzato

Qui a Tutored abbiamo un punto di vista privilegiato sui trend del mercato del lavoro grazie al nostro network di oltre 50 multinazionali e 400 mila neolaureati in cerca di occupazione. Ecco perché anche solo avere un’infarinatura generale, capendo cos’è e in che ambiti viene utilizzato il machine learning, oggi è utile per trovare o migliorare la propria posizione.

Grazie alla digitalizzazione, possiamo dire che oggi non esista comparto in cui il machine learning non sia applicato. Dalla guida autonoma, alla fornitura di energia passando chiaramente per l’elaborazione di software e programmi per gestire intere aziende e processi produttivi, sono davvero tantissimi i servizi e le industrie in cui la componente umana verrà ridotta per poterla concentrare su compiti più complessi e piacevoli. Lasciando la parte più pesante, ripetitiva o complessa - come analizzare in pochi minuti milioni di profili o transazioni finanziarie - al computer.

Tra questi settori possiamo segnalare:

Aziende private

- Banking, Insuretech e Fintech, o meglio i sistemi che grazie all’analisi di miliardi di transazioni e dati riescono a sventare o individuare frodi in campo bancario finanziario e assicurativo. In questi settori il machine learning addestra i programmi per assistere meglio clienti, capire quali sono le probabilità che un evento rischioso si verifichi, decidere se un profilo può ottenere o meno un mutuo o prestito;

- Robotica e automazione, cioè tutto il segmento di ricerca e sviluppo portato avanti da aziende come Comau per la creazione di robot e sistemi di automazione industriale e spaziale;

- E-commerce e marketing, universo che comprende sia aziende che erogano servizi di gestione degli acquisti online, da Alibaba ad Amazon, sia aziende di e-payment come Paypal o Satispay o di email marketing come Mailchimp e che sfruttano il machine learning per automatizzare vendite, acquisti, fissare prezzi, capire a che ora è meglio inviare una mail sponsorizzata ecc…

- E-mobility, ovvero il regno indiscusso del machine learning visto che la guida autonoma sviluppata da aziende come Google o Tesla si basa proprio sulla creazione di algoritmi che insegnano ai veicoli a muoversi anche senza controllo manuale;

- Trasporti e logistica, un grande comparto che comprende sia le reti e le centrali di controllo dei trasporti pubblici in treno nave e aereo sia le consegne da parte di aziende private - da Amazon a DHL - e non (Poste Italiane) e che si appoggiano ad algoritmi di machine learning per gestire ordini, prenotazioni o predire quando un mezzo avrà bisogno di manutenzione (è il caso dei modelli di manutenzione predittiva della Hitachi);

- Manifattura e Industria 4.0, quindi la digitalizzazione dei processi di produzione industriale e che oggi avvengono grazie alla gestione tramite software delle linee di montaggio o di specifici macchinari. L’intervento dell’uomo in questo caso c’è ma è ridotto perché la macchina ha un algoritmo in grado di dirle ad esempio dove e come tagliare una lamiera, come piegarla e lavorarla o ancora quanto impasto versare in un recipiente o quanto vino in una bottiglia;

- Social e applicativi, specie per quanto riguarda i sistemi di accesso e riconoscimento facciale e che sfruttano il machine learning per educare gli algoritmi a distinguere, ad esempio, un volto umano da uno animale o capire che solo una certa impronta è abbinata allo sblocco di un device.

- Lingue e traduzioni, cioè un campo chiave in cui applicare il machine learning visto che i testi, la traduzione in altre lingue e la comprensione del linguaggio verbale è alla base sia dei sistemi di risposta automatica via voice - Google Home, Alexa ecc.. - sia di sistemi avanzati per il riconoscimento degli errori di testo e dell’editing come Grammarly.

Servizi pubblici

- Healthcare e Sanità, vale a dire tutto il comparto dei servizi sanitari e per il benessere e la cura delle persone. Qui il machine learning è alla base di programmi in grado di analizzare complessi dati e parametri medici e mandare un segnale di allarme ad esempio quando una persona stia per avere un infarto grazie al monitoraggio della sua condizione tramite wearable device;

- Energia, anche nel campo delle utility, in particolare dell’Oil&Gas, il machine learning aiuta aziende come Eni, Enel o Total a gestire i siti di estrazione, prevedere un guasto alle raffinerie, controllare l’approvvigionamento o scovare nuove fonti;

- Difesa nazionale, chiaramente anche in ambito sicurezza e militare gli algoritmi e i sistemi di machine learning sono sempre più utilizzati, specie per la messa a punto di sistemi robotici in grado di compiere parti di azioni militari complesse senza mettere a rischio diretto la vita dei soldati;

- Allerta meteo, anche nei sistemi che analizzano i dati meteorologici il machine learning viene sempre più impiegato per migliorare gli algoritmi alla base delle previsioni del tempo, fino all’elaborazione di programmi complessi per le previsioni climatiche e ambientali;

- Politica e policy making, cioè l’ambito della vita pubblica di un paese in cui le analisi di big data provenienti dal campo sociale, sanitario, economico e scolastico, grazie al machine learning, possono aiutare i decisori politici a orientare le proprie scelte.

Perché è importante conoscere il Machine Learning: alcune parole chiave

In generale, conoscere questa branca aiuta a capire quali saranno i settori che cresceranno di più e avranno bisogno di profili specialistici ma soprattutto è importante per capire come miglioreranno molti servizi grazie all’abbattimento dei costi di operazioni che un tempo avrebbero dovuto essere svolte manualmente.

Il tema è complesso, e per iniziare a orientarsi ecco alcune parole o concetti chiave utili da conoscere anche in vista di un colloquio

- Algoritmo, indica il procedimento che risolve un determinato problema attraverso un numero finito di passi e nel machine learning questi passi possono essere impostati a livello base o avanzato. L’algoritmo iniziale si fonda su una ipotesi formulata da persone in carne e ossa e che però deve rispecchiare ciò che accadrà nella realtà, quindi deve fornire uno schema scalabile - ovvero ripetibile anche con problemi simili ma diversi da quello originario - ed essere in grado di  “digerire” dati esterni e input provenienti dall’ambiente esterno;

- Label, nel gergo informatico indica il target fissato, ovvero il risultato che ci si attende dalla macchina - ad esempio che analizzando i voti di laurea e poi le competenze sia in grado di incrociare poi questi dati con gli annunci di posti di lavoro vacanti dando come risultato un elenco di candidati;

- Apprendimento supervisionato, indica l’addestramento iniziale dell’algoritmo, curato da ingegneri informatici e data scientists dando al computer una base di informazioni da studiare, come dei valori falsi e dei valori veri che il sistema dovrà imparare ad abbinare ad altri dati. In questo modo, ad esempio, un software di machine learning impara a distinguere un acquisto con carta di credito valida da uno fatto invece con una carta rubata (leggi di più qui).

- Apprendimento non supervisionato, in questo caso al sistema non vengono forniti dati iniziali classificati e l’algoritmo dovrà capire, senza avere una risposta giusta, di cosa parlano i dati e scovare eventuali correlazioni sconosciute. Questo metodo è molto utilizzato per i software di marketing ed e-commerce alla base di servizi retail come quelli offerti da Alibaba o Netflix  (qui un degli esempi pratici).

Sbocchi lavorativi, aziende e opportunità di carriera

Ed ecco che prospettive di lavoro offre la conoscenza del machine learning:

Machine Learning Specialist o Solution Manager

Questo ruolo riguarda in genere profili che hanno un background di programmazione informatica e dimestichezza con i Big Data e la Data Science e che devono applicarle alla classificazione di dati e informazioni da dare in pasto ai programmi di machine learning oppure trovare soluzioni per addestrare i software o i robot (scopri di più leggendo anche Che cosa fare dopo la laurea in ingegneria informatica, Laurea in Statistica: cosa fare dopo?).

Machine Learning Engineer 

Non solo manager: anche un profilo più semplice come l’ingegnere prestato ai progetti di machine learning trova lavoro in aziende e società di consulenza informatica. Questo ruolo viene spesso affidato a chi sappia programmare conoscendo più linguaggi informatici ma abbia anche un approccio logico e sistemico alla gestione dei dati e alla loro analisi per addestra i software di machine learning con il cosiddetto metodo superviosionato (vedi su le parole chiave). Per saperne di più leggi anche I dieci linguaggi di programmazione più pagati e I dieci linguaggi di programmazione più popolari. 

Data Analyst e Data Scientist

Si tratta dei profili che per eccellenza lavorano per organizzare gli schemi di allenamento degli algoritmi per il machine learning e sono tra i più ricercati dalle aziende hi-tech e dalle società di consulenza informatica come Accenture e IBM. Il loro compito è monitorare i risultati restituiti dagli algoritmi e i processi logici affrontati in modo autonomo dal sistema per tracciare percorsi efficienti all’interno di miliardi di dati e informazioni, individuando dove possibile eventuali falle ed errori (approfondisci leggendo  IT Junior Analyst, Data Analyst e Data Scientist: ma cosa fanno esattamente? e Lavorare da Google: come affrontare la selezione?).

Data security analyst

E’ una figura che nasce nel mondo della big data e della data analysis ma, rispetto a queste, ha come compito quello di assicurare che i dati di un’azienda o di un software siano organizzati e registrati in modo sicuro, per evitare manipolazioni o intrusioni esterne. Un aspetto molto importante, quello della protezione, nei sistemi di machine learning (leggi anche IT Junior Analyst, Data Analyst e Data Scientist: ma cosa fanno esattamente?).

Linguista computazionale

Si tratta di un lavoro che è in realtà tra i più richiesti dal mondo mondo ICT e informatico (ad esempio per aziende come IBM, Facebook, Google, Accenture che cercano profili da inserire nella messa a punto di software e programmi in cui la lingua svolge un ruolo chiave). Si tratta di un profilo esperto di linguaggi e costruzione della sintassi da applicare al mondo informatico visto che uno dei settori in cui si applica il machine learning è l’analisi dei testi e la loro traduzione (come in questa offerta del CNR).

Cybersecurity Expert o Analyst

E’ un profilo informatico esperto di sistemi di sicurezza e attacchi virtuali.  In genere si occupa di installare e lanciare i sistemi di sicurezza di una rete informatica ed è parte die team di siviluppo di sistemi automatici, di robotica e dei sofware anti-frode sviluppati grazie al machine learning (ecco ad esempio il profilo ricercato da Accenture).

Security Analyst  - Security System Engineer 

E’ un ingegnere informatico con un background in analisi dati il cui compito è capire se una rete, una piattaforma o un intero sistema di server su cui viaggiano  dati sensibili o personali sia sufficientemente sicuro, eseguendo anche stress test o attacchi simulati  e gestendo giorno per giorno i software installati per la sicurezza informatica (scopri di più leggendo anche Che tipo di lavoro fa un esperto di cybersecurity?). 

Network Security Architect

E’ sempre un profilo informatico - ingegnere informatico, sviluppatore, esperto di data analysis - che ha il compito di coordinare la creazione di una rete o di un sistema sicuro per la circolazione delle informazioni, creare account o sistemi di password, disegnandoli da zero (scopri le posizioni aperte).

Cybersecurity Legal Consultant

E’ una posizione meno nota ma molto in voga per avvocati e per chi abbia studiato giurisprudenza: si tratta della consulenza legale per l’analisi delle regole e dei criteri da far rispettare a un robot o un sistema automatico. Questo ruolo è fondamentale in questa prima fase di sviluppo, ad esempio, della guida autonoma in cui occorre inserire i limiti normativi all’interno dei software machine learning, addestrando la macchina al “senso di responsabilità” per evitare incidenti e stabilendo anche che tipo di contratti far stipulare ai futuri acquirenti di auto a guida autonoma (leggi anche Quali sono i nuovi sbocchi lavorativi da avvocato?). 

IT consultant

E’ un consulente, o meglio una figura esperta di tecnologie e infrastrutture informatiche, che aiuta le imprese a scegliere la soluzione tecnologica più adatta tra le migliaia esistenti, per soddisfare un bisogno specifico o  realizzare un obiettivo. Quindi, nel caso del machine learning, indica i sistemi quali tecnologie o software adottare per risolvere un problema o rendere più efficiente un certo business. E’ un profilo molto ricercato dalle società di consulenza informatica e non solo (leggi anche IT - L’industria dell’Information Technology).