{"id":27067,"date":"2023-11-08T16:23:07","date_gmt":"2023-11-08T15:23:07","guid":{"rendered":"https:\/\/duckma.com\/la-nuova-frontiera-delliot-analisi-dei-dati-e-manutenzione-predittiva\/"},"modified":"2024-03-13T14:47:23","modified_gmt":"2024-03-13T13:47:23","slug":"la-nuova-frontiera-delliot-analisi-dei-dati-e-manutenzione-predittiva","status":"publish","type":"post","link":"https:\/\/wp.duckma.com\/it\/la-nuova-frontiera-delliot-analisi-dei-dati-e-manutenzione-predittiva\/","title":{"rendered":"La nuova frontiera dell\u2019IoT: analisi dei dati e manutenzione predittiva"},"content":{"rendered":"\n
\"7737af65adb898def3c755e9735041390a145335-4168x2185\"\/<\/figure>\n\n\n\n

Il Machine Learning<\/strong> \u2013 il cui \u00e8 acronimo \u00e8 ML<\/strong> e la cui traduzione letterale in italiano corrisponde ad \u201capprendimento automatico\u201d \u2013 \u00e8 una tecnologia che sta prendendo piede da qualche tempo e che promette di essere la chiave di una svolta significativa nei prossimi anni.<\/p>\n\n\n\n

In DuckMa, il Machine Learning<\/strong> si sposa con l\u2019IoT<\/strong> attraverso la piattaforma Google Cloud IoT<\/strong>, strumento che ci consente di connettere, elaborare, archiviare e analizzare i dati.<\/p>\n\n\n\n

Machine Learning: Cos\u2019\u00e8?<\/h2>\n\n\n\n

Il Machine Learning<\/strong> consente di insegnare a device come computer o robot a completare determinate azioni. Il processo di apprendimento non \u00e8 one shot<\/em>, ma \u00e8 assimilabile a quello degli esseri umani, che correggono gli errori e migliorano nel tempo sulla base dell\u2019esperienza.<\/p>\n\n\n\n

Nella pratica il processo di Machine Learning<\/strong> si basa su algoritmi specifici, strutturati per far s\u00ec che le macchine possano apprendere le informazioni necessarie direttamente dai dati.<\/p>\n\n\n\n

Gli algoritmi utilizzati nel Machine Learning non prevedono formule predeterminate, ma si evolvono in modo \u201cadattivo\u201d ogni qualvolta entrano in contatto con nuove esperienze da cui imparare.<\/p>\n\n\n\n

In sostanza \u00e8 come se i computer seguissero un percorso scolastico o didattico in cui le competenze si accumulano man mano, un iter che consente poi alle stesse macchine di attingere alle informazioni apprese per prendere decisioni oculate.<\/p>\n\n\n\n

E dato che come abbiamo visto le macchine non fanno tutto da s\u00e9, potremmo paragonare gli algoritmi agli insegnanti. Torna il ragionamento?<\/p>\n\n\n\n

\"aut-ind-soluzione-duckma-jpg\"\/<\/figure>\n\n\n\n

Tipologie di Machine Learning<\/h2>\n\n\n\n

In linea generale, possiamo distinguere due diversi approcci al Machine Learning<\/strong>: il primo prevede che il computer abbia a disposizione esempi completi da utilizzare come traccia per completare l\u2019intero processo richiesto.<\/p>\n\n\n\n

Abbiamo due possibilit\u00e0: nel primo caso viene individuato il nesso fra i dati e le informazioni fornite ( parliamo di Machine Learning Supervisionato<\/strong>, in inglese Supervised Learning<\/em>), mentre nel secondo il software lavora senza aiuti particolari e per questo motivo si parla di Machine Learning non Supervisionato<\/strong> (Unsupervised Learning<\/em>).<\/p>\n\n\n\n

Secondo questa casistica al computer vengono forniti set di dati, ma non viene specificato quale sia il risultato atteso, a differenza di quanto accade nel Machine Learning Supervisionato.<\/p>\n\n\n\n

\u00c8 dunque la macchina a risalire a un percorso logico che colleghi le informazioni, creando cos\u00ec schemi e modelli che non sono definiti a priori.<\/p>\n\n\n\n

Oltre ai due approcci presentati, ce ne sono altri che sono di fatto sottoinsiemi di quanto descritto sinora.<\/p>\n\n\n\n

Nel Machine Learning con Apprendimento per Rinforzo<\/strong>, il sistema \u201clavora\u201d in un ambiente dinamico che fornisce gli input e riceve un rinforzo (una sorta di ricompensa) quando raggiunge correttamente l\u2019obiettivo, imparando anche dagli errori commessi che il sistema pu\u00f2 riconoscere perch\u00e9 associati a \u201cpunizioni\u201d.<\/p>\n\n\n\n

\"chi-siamo-duckma-jpg-1\"\/<\/figure>\n\n\n\n

Un metodo che prende come modello il condizionamento operante di Skinner, in cui \u00e8 presente un rinforzo positivo ed un rinforzo negativo per influenzare un particolare comportamento.<\/p>\n\n\n\n

In questo caso il parallelismo con il comportamentismo avviene attraverso il meccanismo di ricompensa o punizione, su uno stimolo e sulla relativa risposta (premio o punizione).<\/p>\n\n\n\n

Anche in questo caso, ci\u00f2 che accade \u00e8 assimilabile all\u2019apprendimento degli esseri umani, soprattutto dei bambini. Per quanto l\u2019argomento sia molto tecnico, insomma, fornisce molti spunti per parallelismi concreti che consentono di comprenderlo meglio.<\/p>\n\n\n\n

In aggiunta alle tipologie di Machine Learning<\/strong> sin qui menzionate, vale la pena ricordare il Machine Learning con Apprendimento Semi Supervisionato<\/strong>, un modello \u201cibrido\u201d in cui il computer ha a disposizione un set di dati che risulta per\u00f2 incompleto al fine di incentivare l\u2019apprendimento.<\/p>\n\n\n\n

Nel set di dati forniti sono presenti sia esempi completi, come avviene nel Machine Learning Supervisionato<\/strong>, sia informazioni che non specificano l\u2019obiettivo atteso come nel Machine Learning non Supervisionato<\/strong>.<\/p>\n\n\n\n

M<\/strong>achine learning e intelligenza artificiale<\/h3>\n\n\n\n

Spesso nel linguaggio comune i significati di Machine Learning<\/strong> e Intelligenza Artificiale<\/strong> vengono sovrapposti come se facessero riferimento al medesimo significato.<\/p>\n\n\n\n

In realt\u00e0 si tratta di due concetti differenti, vediamo come:<\/p>\n\n\n\n