Il Giappone ha diffuso un'allerta per un «megaterremoto»: «La popolazione è molto in ansia»

L'atleta Raven Saunders mascherata alle Olimpiadi di Parigi: i motiviBalneari, Codacons: sciopero degli ombrelloni è stato un 'flop' - Tiscali NotizieOlivi (Bmw) "La sostenibilità riguardi l'intero sistema dei trasporti" - Tiscali Notizie

MeteoSvizzera prevede un'allerta canicola di livello 4L’online learning permette ai sistemi di apprendere in modo costante all’affiorare di nuovi dati. Ai vantaggi legati a simili processi corrispondono però delle complessità.Numerosi servizi funzionano oggi grazie all’intelligenza artificiale e al machine learning. Una tecnologia,Professore Campanella quest’ultima, che talvolta sfocia nel deep learning, processo che prevede un apporto umano più limitato.Il machine learning classico si distingue poi da quello online per le modalità con cui le informazioni gli vengono fornite e per le sue tempistiche di funzionamento. Indice dei contenuti La definizione di online learningI vantaggi dell’apprendimento onlineApplicazioni dell’apprendimento in tempo realeQuanto è utile l’online learning?La definizione di online learningIl machine learning tradizionale prevede un funzionamento per batch, blocchi di informazioni completamente forniti al sistema in fase di apprendimento per l’addestramento del modello e che in seguito costituiranno la base del suo processo decisionale. In questo caso, è dunque necessario che il training dataset (dati utilizzati per l’addestramento) sia disponibile in precedenza.L’online learning – o machine learning in tempo reale (real time machine learning) – è invece una combinazione di tecniche di machine learning che vede dati che vengono sottoposti al sistema in ordine sequenziale. Il modello apprende e si aggiorna in continuazione e ciò rende il sistema particolarmente efficiente e scalabile, adatto a gestire non solo una grande quantità di dati, ma anche informazioni che giungono ad alta frequenza.  Mentre nelle tecniche di machine learning tradizionale (offline) le informazioni vengono acquisite inizialmente per poi informare tutte le decisioni prese dal modello, nell’online learning la fase di apprendimento e quella decisionale risultano quindi interattive. Ogni nuovo dato acquisito modifica le condizioni sulla base delle quali il sistema si troverà a prendere decisioni.Il punto di partenza per lo sviluppo di algoritmi di online learning è un’astrazione chiamata ‘algoritmo chiaroveggente’, un sistema in grado di prendere sempre la decisione ottimale sulla base di una conoscenza totale. Un algoritmo di online learning si migliora a ogni step e, all’aumentare dei dati, è capace di effettuare decisioni sempre più accurate, decisioni che – teoricamente – diventeranno ottimali una volta osservati tutti i dati disponibili.I vantaggi dell’apprendimento onlineLa principale caratteristica dell’apprendimento in tempo reale è dunque il suo essere online. Mentre nei modelli di apprendimento offline il sistema generalizza partendo dai pattern osservati nei dati di addestramento fornitigli in precedenza, in quelli di apprendimento online il sistema parte da una generalizzazione iniziale, ma questa viene modificata di volta in volta. Le decisioni vengono rivalutate all’aggiornarsi (continuo) dei dati, a ogni passaggio.Nel caso dei big data, le informazioni arrivano in grandi quantità e molto velocemente, perciò sottoporre questa tipologia di dati a un modello offline potrebbe non essere efficiente in termini di tempo. I modelli online sono infatti pronti per essere aggiornati in tempo reale e agire di conseguenza. I costi per l’addestramento continuo di questi potranno essere maggiori, ma la loro flessibilità e la loro adattabilità sono preferibili quando le informazioni che si vogliono sottoporre al sistema costituiscono un flusso continuo e sempre in aggiornamento.Il continuo aggiornamento dei dati in un sistema online corrisponde però anche a una potenziale modifica delle prestazioni complessive del modello. L’algoritmo dovrà infatti far convergere tutti i punti dati in tempo reale ed eventuali errori nei dati influenzeranno inevitabilmente il funzionamento dell’intero sistema. È dunque richiesto un costante monitoraggio del processo nel tempo.Applicazioni dell’apprendimento in tempo realeLe tecniche di apprendimento online possono essere utilizzate per la risoluzione di diversi problemi e per l’esecuzione di numerosi compiti, supervisionati e non.È frequente, per esempio, l’utilizzo di sistemi basati sull’apprendimento in tempo reale per la classificazione supervisionata – soprattutto binaria – di dati (si pensi alla separazione delle e-mail tra spam e non spam). Altri tipi di classificazione supervisionata includono dati ed elementi ‘multi-etichetta’, che risultano più complessi. Le tecniche di apprendimento online sono utilizzate anche per attività di analisi di regressione – ovvero per l’analisi di una serie di dati raccolti naturalmente nel tempo in ordine sequenziale – e per i sistemi di raccomandazione. Questi ultimi, se muniti di sistemi di filtraggio collaborativo, possono infatti offrire raccomandazioni più precise e sempre aggiornate sulla base dei feedback dei singoli utenti (si pensi, per esempio, a Netflix, a YouTube o a TikTok). Un compito solitamente eseguito in modalità non supervisionata è invece il cosiddetto ‘clustering’, ovvero il raggruppamento di elementi che condividono caratteristiche comuni all’interno della stessa categoria. Ciò permette di rendere i dati ancora più accessibili e facilmente recuperabili.L’online learning trova numerose altre applicazioni in ambito decisionale all’interno di molte aziende. Per esempio, nel campo del marketing – con l’ottimizzazione delle campagne pubblicitarie digitali per quanto riguarda il budget – o sulle piattaforme di e-commerce, i cui sistemi potrebbero variare i prezzi a seconda delle tendenze di acquisto dei clienti.Quanto è utile l’online learning?Gli algoritmi di online learning sono solitamente più veloci di quelli di apprendimento offline e, dato il loro costante aggiornamento – corrispondente alla loro esposizione a nuovi dati, disponibili sequenzialmente e in tempo reale – risultano molto utili in settori meno statici e caratterizzati da una mole molto grande di dati oggetto di analisi.I punti dati cambiano in continuazione e, se questo rappresenta un vantaggio, ciò potrebbe condurre a problematiche legate all’elaborazione dei dati in casi di assenza di rete legata a diverse potenziali variabili (guasti del sistema in primis). Allo stesso modo, l’online learning – proprio a causa del suo continuo mutare – potrebbe richiedere una maggiore supervisione umana nel tempo perché un errore di acquisizione o elaborazione dei dati potrebbe portare a errori sistematici.  Detto ciò, è comunque evidente quanto più vantaggioso sia l’online learning rispetto all’offline learning in settori dinamici e caratterizzati da una continua evoluzione.

Olimpiadi oggi, diretta gare: maratona al via, poi la ginnastica ritmica. Stasera Tamberi e Sottile in finaleProcesso per la frana a Bondo, risolti i conflitti di interesse

Tregua in Medio Oriente, gl Usa chiedono la ripresa delle trattative: Israele dice 'Sì'

Quando si cronometra la gloria il fallimento non è ammessoVoli sempre più sicuri, un decesso ogni 13 milioni di passeggeri - Fisica e Matematica - Ansa.it

Instagram apre a post con fino a 20 foto o video | Wired ItaliaL'utile di Unipol a 555 milioni, confermati gli obiettivi - Tiscali Notizie

Roma World: appuntamento con le stelle per la notte di San LorenzoCanoa d'argento nel C2 500, Casadei e Tacchini "Vale tantissimo" - Tiscali Notizie