Il machine learning è entrato nell’età matura: parola di AWS | ZeroUno

Il machine learning è entrato nell’età matura: parola di AWS

pittogramma Zerouno

Attualità

Il machine learning è entrato nell’età matura: parola di AWS

Così come il cloud ha abilitato startup e imprese a raggiungere i loro obiettivi di business, mettendo a disposizione nuove funzionalità innovative, oggi il machine learning è arrivato in un momento analogo. Lo ha sostenuto Swami Sivasubramanian, Vice President di Amazon ML, durante il suo intervento al recente AWS Re:Invent. Aggiungendo che oggi “tutti i builder, indipendentemente dalle dimensioni della loro azienda o dal loro livello di abilità, possono sbloccare il potere del machine learning”. Anche grazie ai nuovi servizi presentati in occasione dell’evento online promosso da Amazon Web Services

13 Gen 2021

di Carmelo Greco

Come si sta muovendo Amazon Web Services nell’ambito dell’intelligenza artificiale? Quali sono le novità del colosso di Seattle inerenti il machine learning (ML)? Durante le tre settimane di Re:Invent 2020, l’evento digitale organizzato da AWS che quest’anno si è tenuto in streaming dal 30 novembre al 16 dicembre, è stato soprattutto Swami Sivasubramanian, Vice President di Amazon Machine Learning (in foto di apertura), a comunicare i nuovi lanci in materia a una vasta platea virtuale nel corso di un keynote di quasi due ore. “Il machine learning – ha esordito – è una delle tecnologie più disruptive che incontreremo nella nostra generazione”. E che non si tratti di una tecnologia di nicchia, lo dimostra il fatto che sono già 100 mila i clienti che utilizzano l’offerta ML di AWS per svariati scopi, dalla creazione di una customer experience personalizzata all’applicazione nel settore farmaceutico. Sivasubramanian ha fatto un elenco di alcune di queste aziende e di come si stiano servendo degli algoritmi di apprendimento automatico.

Come viene utilizzato il machine learning dalle aziende

Domino’s Pizza, ad esempio, li adopera per la gestione degli ordini in chiave predittiva, riuscendo a consegnare in 10 minuti pizze appena sfornate. Roche, la seconda azienda farmaceutica più grande del mondo, ha accelerato i processi in campo medico. Kabbage, società finanziaria statunitense, ha superato le maggiori banche americane nella gestione delle richieste di prestito, preservando così circa 945 mila posti di lavoro. BMW utilizza Amazon SageMaker per elaborare, analizzare e arricchire più di sette petabyte di dati al fine di prevedere la domanda su scala mondiale di modelli e attrezzature. Nike ha creato un product recommender sul proprio sito con cui offrire un’esperienza di acquisto più pertinente ai grossisti. Infine la Formula 1 impiega il machine learning nella fase di progettazione delle auto, grazie alla raccolta di informazioni provenienti da oltre 550 milioni di punti dati. Nel complesso, oggi sono tre le aree in cui si articola il portafoglio AWS sull’apprendimento automatico:

WEBINAR
Come gestire a distanza il cliente? Rendi “all digital” vendita, contrattualistica e customer care
  • ML frameworks & infrastructure
  • Amazon SageMaker
  • AI Services

Le tre aree dell’offerta di AWS nel machine learning

“Il primo livello dello stack di machine learning – ha spiegato Swami Sivasubramanian – è quello che fornisce funzionalità per professionisti esperti. Queste includono versione ottimizzate dei deep learning più diffusi, inclusi PyTorch, MXNet e TensorFlow. Le infrastrutture offerte sono GPU e CPU, insieme alla nostra capacità di innovazione e al nostro training. A livello intermedio c’è Amazon SageMaker, che consente a sviluppatori e data scientist di creare, addestrare e distribuire modelli di machine learning su larga scala. SageMaker comprende un’ampia serie di funzionalità, molte delle quali sono sia nuove sia esclusive di Amazon. I servizi sono disponibili attraverso un ambiente di sviluppo integrato che si chiama SageMaker Studio.

Molte organizzazioni stanno standardizzando i loro processi su SageMaker per rimuovere la complessità di ogni passaggio nel workflow di sviluppo ML in modo che sia più veloce, conveniente e facile da realizzare. A livello superiore ci sono i servizi di intelligenza artificiale con i quali stiamo aiutando i clienti ad adottare il machine learning senza dover costruire i propri modelli da zero”.

Le soluzioni “storiche” prendono il nome di Rekognition per la parte visione, di Polly per il text to speech e di Transcribe, al contrario, per lo speech to text. Da quando, quattro anni fa, sono state lanciate, a queste se ne sono aggiunte altre, molte delle quali comunicate proprio in occasione di Re:Invent 2020.

Alcune delle novità di Amazon SageMaker

È soprattutto su Amazon SageMaker, tuttavia, che si concentrano le novità del machine learning targato AWS, in quanto utilizzato da “centinaia di migliaia di sviluppatori e data scientist – rimarca Sivasubramanian – per rimuovere le barriere alla costruzione, all’addestramento e all’implementazione di modelli di machine learning personalizzati”. La diffusione della piattaforma è anche all’origine dei continui miglioramenti che la caratterizzano, frutto dei tanti suggerimenti che provengono dalla comunità che se ne avvale. Tra le ultime funzionalità disponibili, se ne possono citare almeno tre: Data Wrangler, Feature Store e Clarify.

Amazon SageMaker Data Wrangler risponde all’esigenza di preparare i dati con cui addestrare un modello di machine learning. Una fase che necessita di molto tempo per la loro estrazione e normalizzazione. Data Wrangler consente di farlo senza dover scrivere alcun codice, gestendo al contempo tutta l’infrastruttura di elaborazione che si trova sotto il “cofano”.

Una volta che le funzionalità sono state progettate, il passo successivo è quello di riuscire ad avere un archivio nel quale poter accedere e condividere facilmente set di funzionalità tra i team. SageMaker Feature Store risolve questo problema fornendo uno strumento per organizzare e aggiornare grandi lotti di funzionalità con una latenza di un millisecondo, visto che risiede in Amazon SageMaker Studio.

SageMaker Clarify, infine, si focalizza sulla identificazione di distorsioni del modello e sulla cosiddetta “spiegabilità” (explainability), poiché aiuta gli sviluppatori a rilevare più facilmente i bias statistici nel set di dati.

Sono solo alcuni dei molti annunci che Swami Sivasubramanian ha fatto nel suo keynote, la cui sintesi più efficace si può ricavare dal paragone tra machine learning e cloud computing. Così come quest’ultimo “ha abilitato startup e imprese a raggiungere un nuovo livello di successo – ha ricordato il Vice President -, allo stesso modo oggi il machine learning è arrivato in un momento analogo”. Lo testimonia la circostanza che “fino a qualche tempo era disponibile soltanto per le big tech e per le startup innovative”, mentre adesso “tutti i builder, indipendentemente dalle dimensioni della loro azienda o dal loro livello di abilità, possono sbloccare il potere del machine learning”.

Carmelo Greco

Giornalista

Giornalista professionista, si occupa come freelance e formatore di temi connessi all’innovazione digitale, all’economia civile e alle trasformazioni del mercato del lavoro. È anche autore di opere teatrali e di narrativa. Ultimo romanzo pubblicato, Focara di sangue, Edizioni Fogliodivia, 2020.

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale

Articolo 1 di 5