Big Data

Data science, machine learning e AI: conosci la differenza?

29 gennaio 2018 | Scritto da Filippo Scorza

Mi piace semplificare i contenuti che scrivo e, per questo motivo, vado dritto al punto sintetizzando le differenze:

  • Data science produce degli “insight” ovvero permette la comprensione
  • Machine learning crea delle predizioni
  • Artificial intelligence produce delle azioni

Aspetta, vorrei andare un attimo oltre le mere definizioni fornendoti qualche approfondimento per ognuno di essi.

No, niente di tecnico, promesso!

Il Data science si distingue dal Machine Learning (ML) perché il suo obiettivo è particolarmente umano: acquisire conoscenza e comprensione.

Tale comprensione può essere suddivisa a sua volta sotto tre punti di vista:

  1. Descrittiva: qualcosa del tipo “il cliente medio del nostro e-commerce ha una probabilità di acquisto futuro di circa il 70%”
  2. Esplorativa: un esempio potrebbe essere qualcosa come “il cliente B ha un tasso di rinnovo del nostro servizio diverso dal cliente A”
  3. Casuale: “in un test random si è dimostrato che gli utenti in capo al customer service B rinnovano il servizio più frequentemente rispetto a quelli seguiti da A”

Nel Data science sembra che sia sempre coinvolto l’essere umano, aspetto che non avviene, nel ML e nella AI (si lo so, a parte gli sviluppatori!)
Quindi la Data science produce dei grafici, delle analisi, delle regressioni lineari e abbraccia la statistica avendo a disposizione, appunto, una notevole mole di dati.

Ecco perchè si dice che i dati sono il nuovo petrolio: perchè permettono di comprendere, di definire i profili degli utenti, gli andamenti dei mercati e dell’economia.

Il Machine Learning dal canto suo fornisce delle predizioni.
Data un’istanza X con determinate caratteristiche, il machine learning ne calcola le previsioni di tipo Y.
Ok, lo so che detto così non è chiaro!

Forniamo ad un machine learning tutti i dati medico sanitari e referti di centomila individui con caratteristiche simili: il machine learning al termine dell’apprendimento sarà in grado di predire, in maniera più o meno accurata, se un nuovo paziente con caratteristiche analoghe potrà essere soggetto ad una qualche forma di malattia.

O ancora: diamo ad un machine learning tutte le partite di scacchi giocate al computer e dopo molteplici iterazioni, sarà in grado non solo di giocare ma di fare predizioni sulle possibili mosse future dell’avversario.

Dobbiamo immaginare il ML come un algoritmo neutro che, grazie all’apprendimento autonomo o assistito, imparerà qualsiasi cosa.

L’intelligenza Artificiale produce azioni.
La AI è un agente autonomo ma per darne una definizione comprensibile occorre confrontarla con il machine learning in un esempio concreto: supponiamo che una self driving car debba essere in grado di riconoscere il cartello stradale “stop”.
Per addestrare il ML costruiamo un dataset di milioni di foto di oggetti a bordo strada e scriviamo un algoritmo (imaging recognition) per predire quali di esse contengono il segnale stop.

Una volta che la nostra auto è in grado di riconoscere i segnali di stop, dovrà decidere quando azionare i freni.
Troppo presto o troppo tardi, condizioni stradali variabili (asciutto o bagnato) e imprevisti di varia natura ricadono nella teoria del controllo: ed è qui che l’intelligenza artificiale ha il suo ruolo.
In pratica l’intelligenza artificiale sarà in grado di prendere delle decisioni in maniera autonoma

Filippo Scorza
Filippo Scorza

Ambassador, Future Activist

Filippo Scorza è bioingegnere e growth hacker, appassionato di nuove tecnologie e digital trasformation. Su Impactscool Filippo condivide e racconta la sua visione di un futuro open source.

leggi tutto