L’intelligenza artificiale (IA) è un campo di ricerca che si occupa di creare macchine in grado di eseguire compiti che richiedono intelligenza umana. In pratica, l’IA si occupa di creare algoritmi che, una volta inseriti all’;interno di un sistema, gli permettono di apprendere e migliorare autonomamente. Questo è possibile grazie all’utilizzo di tecniche di apprendimento automatico, che consentono alla macchina di analizzare grandi quantità di dati, di fare previsioni e di prendere decisioni in modo autonomo.

L’intelligenza artificiale si distingue in:

• - Intelligenza artificiale debole (ANI): quel tipo di intelligenza che è impostata per effettuare dei compiti specifici (Esempio: Siri di Apple o Alexa di Amazon)
• - Intelligenza artificiale generale (AGI): la macchina che possiede questo tipo d’intelligenza ha le stesse capacità umane, quindi risolve problemi, pianifica per il futuro ed apprende nozioni.
• - Intelligenza artificiale super (ASI): questa intelligenza supererebbe le capacità umane.

Il Machine Learning (ML) è un ramo dell’intelligenza artificiale (AI) che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano. Gli algoritmi di ML usano metodi matematico-computazionali per apprendere informazioni direttamente dai dati. Gli algoritmi di ML migliorano le loro prestazioni in modo “adattivo” a mano a mano che gli “esempi” da cui apprendere aumentano.

Un'altra caratteristica del Machine Learning è la sua capacità predittiva. In passato, le decisioni aziendali venivano spesso prese sulla base di risultati storici ad oggi invece, grazie al ML l’utilizzo di analisi dei dati avanzate viene effettuato anche per eseguire previsioni.

All’interno del Machine Learning si puo distinguere un ulteriore insieme, il Deep Learning. La differenza tra il Machine Learning classico e quello “profondo” è che quest’ultimo non necessita dell’intervento umano per determinare gerarchie negli input dei dati e quindi elaborare i dati stessi.

A sua volta un ramo del Deep Learning sono le Reti Neurali. La profondità riferita al Deep Learning è rappresentata dalla quantità di livelli presenti in una rete neurale. Se quest’ultima ha più di tre livelli, allora può essere considerato un algoritmo di Deep Learning, altrimenti è soltanto una rete neurale di base.

È possibile individuare tre metodi di Machine Learning:

• - Machine learning supervisionato: conosciuto anche come apprendimento supervisionato, utilizza dataset etichettati per addestrare gli algoritmi a prevedere risultati o classificare dati.
• - Machine Learning non supervisionato: (apprendimento non supervisionato) utilizza gli algoritmi del Machine Learning per raggruppare i dataset senza etichette.
• - Apprendimento parzialmente supervisionato: compromesso tra i primi due, utilizza un dataset etichettato di piccole dimensioni per classificare ed estrarre caratteristiche da un dataset più grande non etichettato.

Sono numerose le applicazioni dell’AI e del machine learning, ad esempio: riconoscimento vocale, servizio clienti (le famose chatbots nei vari siti web), motori di consiglio (analizzano il comportamento passato dell’utente), trading azionario automatizzato e tanto altro. Il Machine Learning e l’AI supportano una vasta gamma di casi d'uso che vanno oltre il retail, i servizi finanziari e l’e-commerce. Ha anche un enorme potenziale di applicazione nel settore scientifico, sanitario, edile ed energetico.