Machine Learning, 3 aziende che lo utilizzano in modo “cool” raccontano le tendenze in atto
Di Nicoletta Boldrini, Giornalista tech e blogger
Il machine learning sta rappresentando uno degli sviluppi tecnologici più affascinanti e significativi della recente storia dell’uomo (e della tecnologia), un progresso che è già parte delle nostre vite anche senza rendercene davvero conto. Per capire allora quali sono le tendenze in atto, partiamo da alcuni casi concreti di utilizzo per poi tracciare la prossima evoluzione del machine learning.
Yelp, una customer experience che parte dalle immagini
IL CASO
Yelp è un’app (e una piattaforma) utilizzata da milioni di utenti ogni giorno per decidere dove fare i propri acquisti, è un sistema di “raccomandazione” che fa un ampissimo uso delle immagini per le recensioni/raccomandazioni. Per classificare le immagini l’azienda si avvale di algoritmi di machine learning che analizzano il contenuto di ogni singola foto scattata dagli utenti per etichettarla, classificarla e renderla poi disponibile secondo criteri ottimizzati che ne facilitano l’accesso e la fruizione da parte delle persone.
LA TENDENZA
Quello del riconoscimento delle immagini è un ambito del machine learning in fortissima crescita che già oggi consente, per esempio, di rendere più accurate le diagnosi mediche (attraverso la diagnostica per immagine) o di riconoscere un neo come forma tumorale maligna con più accuratezza di un oncologo specializzato. Nei prossimi mesi/anni vedremo impiegato il machine learning anche in contesti di sorveglianza e sicurezza cittadina, per esempio per il monitoraggio e il riconoscimento di immagini che consentiranno a polizia e vigilanza di intervenire tempestivamente.
Facebook e l’esercito dei chatbot
IL CASO
Una delle aziende più famose al mondo, Facebook, sta facendo un ampio uso dei chatbot all’interno della piattaforma di instant messaging, Messenger.
Sebbene ci siano ancora ampissimi margini di miglioramento, oggi alcuni chatbot sono praticamente indistinguibili quando conversano via testo con le persone. In questi casi si tratta di tecnologie basate su machine learning per la comprensione del linguaggio naturale (attraverso le quali chatbot e persone possono conversare senza barriere linguistiche e di comprensione). Non solo, Facebook sta sperimentando il Machine Learning anche come base tecnologica per filtrare spam e contenuti di scarsa qualità e addirittura per tradurre in testo/voce le immagini (attraverso sistemi di visione artificiale) per “leggere” le immagini e tradurne il contenuto a persone ipovedenti.
LA TENDENZA
Il riconoscimento, la comprensione e l’utilizzo del linguaggio naturale è una delle aree del machine learning più complessa, non solo perché il linguaggio naturale utilizzato dall’uomo durante la sua comune vita sociale è decisamente articolato, ma anche perché le aspettative delle persone sono molto elevate.
Mano a mano che questi sistemi diverranno sempre più sofisticati e precisi, gli ambiti di utilizzo si estenderanno sempre di più andando a risolvere problematiche più complesse, per esempio la prima assistenza in un pronto soccorso potrebbe in futuro avvenire tramite robot che comunicano con linguaggio naturale.
Baidu e la riproduzione artificiale delle impronte vocali
IL CASO
Baidu è un motore di ricerca cinese, una sorta di “google cinese”. Uno degli sviluppi più interessanti (e sconcertanti) del laboratorio di ricerca e sviluppo della società è chiamato Deep Voice, una rete neurale profonda in grado di generare voci umane completamente sintetiche molto difficili da distinguere dal reale linguaggio umano. Con il machine learning la rete è in grado di apprendere le caratteristiche e le sottigliezze uniche nella cadenza, nell’accento, nella pronuncia e nell'intonazione per riprodurre voci identiche a quelle degli “oratori umani” in modo molto accurato.
LA TENDENZA
I sistemi di riconoscimento del pattern vocale potrebbero avere importanti implicazioni per le app di ricerca vocale (pratica già in uso nei millenials che accedono a motori di ricerca, sistemi di messaggistica e social network prevalentemente attraverso comandi vocali), oltre a decine di altri potenziali usi, come la traduzione in tempo reale delle lingue straniere e la sicurezza biometrica (la voce, infatti, è un’impronta univoca, come quelle digitali delle dita).
La tecnologia alla base della “generazione” di impronte vocali artificiali fa parte della branca dell’Intelligenza Artificiale, e del Machine Learning in particolare, identificata come “Convincing Generative Models”, modelli generativi convincenti grazie ai quali in futuro sarà possibile generare non solo voci, ma intere identità, partendo dagli algoritmi.
Articolo tratto da
Trend by itasascom
Speciale Machine Learning
Letture consigliate
- ARTICOLO 3 ways to rethink retail forecasting and demand planning The pandemic has profoundly changed consumer shopping behaviors and experiences and the increasing pressure has retailers scrambling to improve their ability to precisely predict and plan for demand. If you don’t know where to start, here are three questions to ask as you rethink your forecasting and demand planning.
- ARTICOLO Finding COVID-19 answers with data and analyticsLearn how data plays a role in optimizing hospital resources, understanding disease spread, supply chain forecasting and scientific discoveries.
- ARTICOLO Three steps for conquering the last mile of analyticsPutting your analytical models into production can be the most difficult part of the analytics journey. It’s no surprise that this last mile of analytics – bringing models into deployment – is the hardest part of digital transformation initiatives for organizations to master, yet it’s the most crucial.
- ARTICOLO Next generation anti money laundering: robotics, semantic analysis and AIAnti-money laundering taken to it's next level is sometimes referred to as AML 2.0 or AML 3.0. What does this next wave of AML technology look like? What can it do that you can’t do with traditional AML? See the results innovative financial institutions around the globe are already getting.
Ready to subscribe to Insights now?
The results illustrated in this article are specific to the particular situations, business models, data input, and computing environments described herein. Each SAS customer’s experience is unique based on business and technical variables and all statements must be considered non-typical. Actual savings, results, and performance characteristics will vary depending on individual customer configurations and conditions. SAS does not guarantee or represent that every customer will achieve similar results. The only warranties for SAS products and services are those that are set forth in the express warranty statements in the written agreement for such products and services. Nothing herein should be construed as constituting an additional warranty. Customers have shared their successes with SAS as part of an agreed-upon contractual exchange or project success summarization following a successful implementation of SAS software. Brand and product names are trademarks of their respective companies. Per questo articolo: © Copyright dell'editore. L'articolo non è riproducibile senza il suo consenso.