Appartengono, per esempio, a questa fascia di applicazioni quei sistemi basati sulla capacità del sistema di applicare modelli statistici all’analisi degli eventi presenti e passati per ottenere indicazioni sul comportamento futuro.
Analisi del passato per predirre il futuro
Tutto ciò avviene dopo che il sistema ha subito un periodo di “addestramento”, durante il quale degli esperti cercano di trasferire al sistema stesso la propria competenza. Questo trasferimento di conoscenza avviene indicando al sistema quali risultati ha ottenuto in passato l’osservazione degli esperti ed il sistema cerca di dedurre quali sono le reali correlazioni tra le variabili che rappresentano un evento, individuando pattern che possano permettere di riconoscere il riprodursi di un evento con un certo anticipo. Si definiscono degli scenari predittivi entro i quali si riconosce che l’evento che si è realizzato o si sta realizzando appartiene, un una certa probabilità, ad una specifica categoria di avvenimenti.
Trasferimento di competenza dall'uomo alla macchina
La differenza con sistemi tradizionali è che l’esperto non descrive in una analisi formalizzata la propria competenza, successivamente trasferita ad un team di progetto che elabora del software sulla base di queste specifiche. L’esperto opera un trasferimento di conoscenza direttamente nei confronti dell’applicazione. Per rendere più semplice il discorso ricorrerò ad una mia esperienza progettuale personale.
Nel progetto in questione ci siamo trovati nella situazione di dover discriminare se nell’occorrere di una serie di eventi si riuscisse ad individuare quali di questi rivelassero un comportamento fraudolento. In casi come questo le reti neurali possono rivelarsi molto utili nell’individuazione di tali casi, ma hanno il difetto di non riuscire a certificare ex-post il processo attraverso il quale hanno raggiunto le proprie conclusioni.
Scelta della metodologia adeguata
Questo aspetto risulta invece determinante nel momento in cui tale attività necessita di verifiche da audit interni o enti di sorveglianza terzi. Si è optato quindi, in quel caso, per un diverso modello statistico. Semplificando in maniera estrema il processo, vengono individuati due insiemi campione di eventi, quelli che fanno riferimento ad operazioni corrette e quelli che fanno riferimento ad operazioni “sospette”. Questo è il lavoro dell’esperto (applicativo!) ed è il modo in cui l’esperto stessa comunica al sistema la sua competenza. Ciò avviene senza esplicitare quali sono i parametri per i quali tale operazione viene ritenuta sospetta (un valore supera una certa soglia o altri valori si presentano in una certa serie o con caratteristiche specifiche).
Sarà il sistema a desumere nella fase di apprendimento quali sono le variabili determinanti e quali sono le relazioni che le legano.
Addestramento ricorsivo dei sistemi
I principali vantaggi che derivano da tale approccio è che la ponderazione del peso di una singola variabile viene fatta in base a precisi calcoli su dati reali e che il sistema non si presenta statico ma intrinsecamente dinamico perché, quando si passa alla fase operativa, i risultati dell’attività del sistema stesso costituiscono un feedback per il modello di calcolo che può continuamente essere raffinato e migliorato.
Il sistema quindi auto apprende dalla propria attività, acquisendo ulteriore competenza da chi lo utilizza e ne giudica i risultati, mentre nel caso di un sistema tradizionale, sviluppato su un pur complesso algoritmo basato su soglie è evidente che l’evoluzione della procedura informatica dipende da step di analisi da parte di esperti e successive attività di tuning da parte di un team di sviluppo.
Nello schema che segue un’analisi del flusso logico della procedura che esplica chiaramente la sua natura ricorsiva.
continua..
No comments:
Post a Comment