Cerca e trova immobili

ICT TICINOA.I. Machine Learning, un caso recente sviluppato da PARD

20.05.19 - 11:29
Un software può essere educato in modo dinamico determinate logiche, integrando ed estendendo l’AI tradizionale
A.I. Machine Learning, un caso recente sviluppato da PARD

NEWSBLOG
Rubriche argomentali a pagamento curate da aziende e inserzionisti esterni

Un software può essere educato in modo dinamico determinate logiche, integrando ed estendendo l’AI tradizionale

Abbiamo recentemente applicato con successo un modulo di AI del nostro software di Business Intelligence PARD® ad una precisa esigenza proveniente da un nostro cliente.

Come abbiamo visto nel precedente articolo, il Machine Learning può essere utilizzato per fare apprendere ad un software in modo dinamico determinate logiche, integrando ed estendendo l’AI tradizionale.

Il case study che andiamo ad esporre nasce dalla richiesta proveniente da un nostro cliente in ambito bancario, che ci ha poi cortesemente consentito di rendere pubblici i risultati del lavoro svolto. L’algoritmo applicato è stato creato in collaborazione con il Dipartimento di Informatica a Automatica di un importante Politecnico.

La sfida - Il cliente ci ha chiesto di creare un modulo in grado di identificare con un margine di errore accettabile (vedremo poi di che percentuale parliamo) le transazioni fraduolente effettuate tramite carte all’interno del circuito SEPA. Nel solo 2016 parliamo di 1,8 miliardi di euro worldwide, quindi è chiaro che un software in grado di mettere in evidenza le transazioni potenzialmente fraudolente con una buona percentuale di affidabilità avrebbe un impatto economico immenso. Ovviamente poi, una volta evidenziate, queste operazioni andranno vagliate con attenzione dal personale bancario per identificare con precisione le reali frodi.

La rete neuronale artificiale utilizzata per affrontare il problema - Per arrivare a tale scopo abbiamo utilizzato una rete neuronale artificiale. Si tratta di un modello computazionale che è basato sulla struttura e sulle funzioni delle reti neurali bologiche e che cerca di replicarle. Le reti neuronali (o neurali) possono adattarsi ad input sempre diversi in modo che la rete generi il miglior risultato possibile in maniera dinamica senza necessità di ridisegnare ogni volta i criteri di output. La rete quindi “impara”.

Il processo di apprendimento può essere supervisionato, ovvero guidato tramite dati selezionati e forniti da un istruttore umano oppure non-supervisionato, dando “in pasto” alla rete neurale sequenze di dati, lasciando che la rete impari da sola.

Al termine dell’apprendimento, la rete avrà dei layer di input, tramite i quali verranno forniti i dati, dei layer interni nascosti dedicati all’elaborazione e alla”pesatura” dell’informazione, risultato del processo di apprendimento e un layer di output, che darà un risultato di vero o falso.

I vantaggi dell’approccio tramite Machine Learning rispetto all’approccio statistico classico - La modellazione classica prevede la formalizzazione di relazioni tra i dati a disposizione nella forma di equazioni matematiche, ma questo comporta delle limitazioni:

    • I dati possono essere forniti solo in formato numerico.
    • La complessità del modello matematico può crescere in modo esponenziale.
    • Il mantenimento o modifica del modello può essere estremamente complesso.

Al contrario, l’approccio tramite Machine Learning è un algoritmo in grado di imparare dai dati senza doversi obbligatoriamente appoggiare ad una programmazione rigida, infatti:

    • I dati possono essere forniti in diversi formati, non solo numerici.
    • Non c’è la necessità di un modello matematico.
    • L’algoritmo non è dipendente dalla qualità del dato, anche dati “sporchi” o incompleti possono essere utilizzati ed interpretati dalla rete neurale. Ovviamente dati puliti daranno percentuali di accuratezza maggiori.

I risultati - Abbiamo quindi applicato quanto detto alla nostra rete neurale, utilizzando l’algoritmo “Random Forest” per istruirla a districarsi tra i dati forniti. Questo algoritmo permette di seguire alberi di decisione multipli e li combina per ottenere un modello predittivo più accurato.

Questo ci ha portato ad ottenere una percentuale di successo del 76,4% nella corretta identificazione della possible frode, in base al campione di dati forniti.

Applicando lo stesso modello a dati sempre più raffinati e puliti la percentuale potrà poi aumentare progressivamente. Analogamente la percentuale di precisione incrementerà se aggiungiamo layer aggiuntivi di analisi dati al nostro modello di AI.

Per maggiori informazioni sul nostro software di analisi avanzata dei dati PARD® e sui moduli di AI e Machine Learning, o per contattarci direttamente potete visitare il nostro sito (www.pardsoftware.com - www.atgcreative.space ).


Questo articolo è stato realizzato da ated - Associazione Ticinese Evoluzione Digitale, non fa parte del contenuto redazionale.
POTREBBE INTERESSARTI ANCHE