Come portare a termine un progetto di machine learning

Portare a compimento e in produzione un progetto di machine learning non è semplice, tanto che secondo Gartner solo una piccola quota (il 15 percento circa) delle imprese al momento pare riuscirci.

L'ostacolo fondamentale, secondo i tecnici, sta nel fatto che l'intelligenza artificiale non è un qualcosa che si abilita con un prodotto software fatto e finito.

Serve certamente una piattaforma di partenza, poi però ci si deve mettere del proprio e incontrando problemi che non sono analoghi a quelli che gli sviluppatori incontrano di solito.

Come spiegano in particolare alcuni ricercatori della stessa Google, che di machine learning certamente ne sa, l'approccio classico dell'ingegneria del software porta verso l'astrazione per poter arrivare a codice (più) semplice da modificare e migliorare.

Ma, si spiega, è difficile perseguire l'astrazione nelle applicazioni del machine learning perché questo entra in gioco "Esattamente in quei casi in cui un comportamento desiderato non può essere espresso in modo efficace nella logica del software senza una dipendenza da dati esterni".

Non è strano quindi che team di sviluppo anche capaci non riescano a controllare la complessità del machine learning.

La cosa migliore in questo senso è puntare su una piattaforma che abbia le funzioni che servono e allo stesso tempo permetta di astrarsi dalle fondamenta matematiche del machine learning. Ce ne sono diverse, TensorFlow viene giudicata oggi quella più efficace.

Il valore di TensorFlow sta proprio nel riuscire a soddisfare una gamma vasta di utenti sviluppatori o data scientist.

Questo innanzitutto perché è abbastanza solido da supportare progetti complessi di machine learning, andando oltre la definizione solo di algoritmi semplici. Inoltre, la sua relativa semplicità permette anche ai non esperti di arrivare a definire modelli complessi e potenzialmente utili.

In questa fase di sviluppo del machine learning è però altrettanto importante che TensorFlow rappresenti una base comune per molti sviluppatori.

Si tratta di una piattaforma oggi diffusa e accettata, il che permette a molti tipi di utenti di fare esperienze dirette sul machine learning e di poterle confrontare con una lingua comune. Inoltre, fanno notare i più tecnici, avere uno "standard" per le applicazioni pratiche permette di verificare in maniera condivisa i nuovi approcci e le nuove teorizzazioni che vengono dalla ricerca sul machine learning.

Anche se, raccomanda chi ha già messo in pratica il machine learning, arrivare a un modello funzionante usando framework come TensorFlow è solo uno dei passi necessari. E lo stesso modello che si è fatta tanta fatica a creare è destinato comunque a essere messo in discussione, mutare e migliorarsi.

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche iscriviti alla newsletter gratuita.

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here