Dante diventa un avatar: si potrà conversare con il sommo poeta

«Cassis deve rivedere la sua politica in Medio Oriente»Un po' di Ticino alla Milano Marathon: i fisioterapisti luganesi preparano i campioniLe emissioni di petrolio e gas dovrebbero calare del 60% al 2030 per rispettare l'Accordo di Parigi

I seguaci di Maestro MartinoL’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,VOL 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.

Un nuovo cyberattacco ha provato a colpire le Olimpiadi di Parigi | Wired ItaliaBeat Jans: «Il Pardo un regalo che Locarno fa alla Svizzera ogni anno»

Mamme e papà corridori, niente paura: alla StraLugano ci sarà il Koalasitter!

Lo zar in crisi e i suoi dioscuriNessun caso di malattia emorragica epizootica (EHD) in Svizzera

Paradiso e Collina d’Oro, che intrecci: pace sulla tribuna, attriti sul mercatoRange Rover Defender 110, un fuoristrada poderoso

Arriva una boccata d’aria fresca per le cifre del Bagno pubblicoArmani: entrata in borsa o aggregazione con una concorrente? «Non lo escludo»