apprendimento automatico
è una particolare branca dell’informatica che può essere considerata una parente stretta dell’intelligenza artificiale. Questo ramo è molto vasto e prevede differenti modalità, tecniche e strumenti per essere realizzato. Inoltre, le differenti tecniche di apprendimento e sviluppo degli algoritmi danno vita ad altrettante possibilità di utilizzo che allargano il campo di applicazione dell’apprendimento automatico rendendone difficile una definizione specifica. Si può tuttavia dire che quando si parla di machine learning si parla di differenti meccanismi che permettono a una macchina intelligente di migliorare le proprie capacità e prestazioni nel tempo. La macchina, quindi, sarà in grado di imparare a svolgere determinati compiti migliorando, tramite l’esperienza, le proprie capacità, le proprie risposte e funzioni. Alla base dell’apprendimento automatico ci sono una serie di differenti algoritmi che, partendo da nozioni primitive, sapranno prendere una specifica decisione piuttosto che un’altra o effettuare azioni apprese nel tempo.
Il Machine Learning insegna a computer e robot a “fare azioni”
Il Machine Learning insegna a computer e robot a “fare azioni” in modo naturale, imparando dall’esperienza. Gli algoritmi di Machine Learning usano metodi matematico-computazionali per apprendere informazioni direttamente dai dati, senza modelli matematici ed equazioni predeterminate. Gli algoritmi di Machine Learning migliorano le loro prestazioni in modo “adattivo” mano a mano che gli “esempi” da cui apprendere aumentano. Cerchiamo allora di capire cos’è il Machine Learning, come funziona e quali sono le sue applicazioni.
Il Machine Learning funziona in linea di principio sulla base di due distinti approcci, identificati dallo stesso Arthur Samuel alla fine degli anni ’50, che permettono di distinguere l’apprendimento automatico in due sottocategorie del Machine Learning a seconda del fatto che si diano al computer esempi completi da utilizzare come indicazione per eseguire il compito richiesto (apprendimento supervisionato) oppure che si lasci lavorare il software senza alcun “aiuto” (apprendimento non supervisionato).
In realtà, come vedremo più avanti, ci sono poi dei sottoinsiemi che consentono di fare un’ulteriore classificazione ancora più dettagliata del Machine Learning proprio in base al suo funzionamento.
Machine Learning nel Processo di Estrazione
Un obiettivo fondamentale del progetto MICROEXATIVA sarà quello di inserire su tutti gli impianti prototipali una forte componente di apprendimento automatico su macchina unito ad un sistema di raccolta dati analitici su processo/prodotto che permetterà la gestione dei dati raccolti su CLOUD. Lo scopo sarà quello di creare una piattaforma integrata con un unico sistema di gestione capace di confrontare le capacità acquisite da ogni singolo impianto, tra quelli della rete.
I processi di estrazione utilizzati permettono infatti il continuo accumulo di dati che sono generati tramite l’apprendimento automatico macchina e le letture dei profili spettrometrici e cromatografici dei prodotti. L’implementazione con questa tecnologia permetterà di ricavare preziosi dati sul processo e sul prodotto grazie all’applicazione di sistemi ICT; di confrontarli su cloud, di elaborarli con programmi di analisi statistica e di condividerli tra gli Esperti del settore.