AI news:

il portale di approfondimento sul mondo dell'intelligenza artificiale

AI news: il portale di approfondimento sul mondo dell'intelligenza artificiale

La modellazione predittiva: definizione, tipologie e applicazioni

La modellazione predittiva è un’applicazione dellintelligenza artificiale che aiuta a ‘prevedere il futuro’. In questo articolo, analizziamo le sue caratteristiche e potenziali applicazioni.

Tra le applicazioni dell’intelligenza artificiale, la modellazione predittiva spicca sicuramente in termini di versatilità e utilizzo. Le potenzialità di questa tecnica di intelligenza artificiale sono infatti molteplici e i vantaggi per i business che la adottano sono estremamente rilevanti, soprattutto in sede decisionale.

Cos’è la modellazione predittiva?

La modellazione predittiva rappresenta un aspetto di quella che viene definita analisi predittiva (predictive analytics). Quest’ultima consiste, in particolare, in metodologie e tecniche capaci di estrarre informazioni da determinati dati al fine di formulare predizioni per il futuro. I modelli creati nel corso della fase di apprendimento dell’AI – sulla base del dataset a disposizione – saranno quindi in grado di operare su nuovi dati e di elaborare previsioni utili in diversi settori.  

I modelli predittivi utilizzano quindi risultati noti per sviluppare o addestrare un modello che potrà essere utilizzato al fine di prevedere valori riferiti a dati diversi e/o nuovi. I risultati prodotti dalla modellazione sono costituiti da previsioni che rappresentano una probabilità di una specifica variabile target sulla base dei dati passati, utilizzati come input. Si pensi a un sistema di home banking e alla proiezione delle entrate per il mese corrente: si tratta di un prospetto basato sulle entrate riportate nei mesi precedenti.

I modelli predittivi si differenziano dunque da quelli meramente descrittivi e diagnostici. Questi ultimi, infatti, aiutano ‘solo’ a comprendere ciò che è successo e perché è successo, ma non offrono insights direttamente applicabili a situazioni future, mentre quelli predittivi offrono grandi vantaggi nei processi decisionali in diversi campi. I predictive models hanno infatti numerose funzionalità, che variano a seconda delle applicazioni. Questi possono aiutare nella classificazione dei dati, nel rilevamento di anomalie nei dati stessi, così come nella formulazione di previsioni su comportamenti futuri (basate su dati passati) e nell’adattamento dei modelli.

Come funziona la modellazione predittiva?

Le tipologie di apprendimento alla base di queste capacità possono essere di diversa natura. Vi sono infatti esempi di apprendimento supervisionato (apprendimento di una funzione che spieghi il rapporto tra i dati di input e quelli in uscita) così come di apprendimento non supervisionato (il cui obiettivo è l’identificazione di relazioni e pattern all’interno dei dati presi in considerazione).

In generale, due sono le tipologie principali di modelli predittivi.  

  • I modelli di classificazione prevedono l’appartenenza a una specifica classe attraverso la modellazione delle relazioni tra i dati a disposizione. Si pensi alla classificazione degli utenti di un servizio online sulla base delle loro informazioni personali o alla classificazione di un soggetto come rischio di credito ‘buono’ o ‘cattivo’. Il risultato è solitamente binario.   
  • I modelli di regressione, che apprendono relazioni funzionali tra le diverse variabili prese in considerazione. Questo tipo di modello potrebbe quindi permettere di apprendere una relazione a prima vista non evidente, ad esempio, tra l’età di un soggetto e il suo potenziale interesse verso un determinato prodotto o servizio oppure di prevedere la quantità di entrate che un cliente potrà generare. Il risultato è un numero.

regressione e classificazione
Esempio di regressione e classificazione (Pinterest – Pavel Cislo)

Le tre tecniche di modellazione predittiva più utilizzate, inoltre, sono gli alberi decisionali, la regressione (lineare e logistica) e le reti neurali.

  • Gli alberi decisionali sono modelli di classificazione che suddividono i dati in sottoinsiemi basati su categorie di variabili di input. Un albero decisionale sembra, appunto, un albero in quanto ogni ramo rappresenta una scelta tra un numero di opzioni e ogni foglia rappresenta una decisione o classificazione. Il modello esamina quindi i dati e ricerca l’unica variabile che suddivida i dati in gruppi logici che siano i più diversi tra loro. La loro facile interpretazione grafica rende gli alberi decisionali una scelta popolare.
  • La regressione (lineare e logistica) è molto utilizzata in ambito statistico in quanto permette di stimare le relazioni tra le variabili e risulta utile in presenza di dati continui che si presume seguiranno una distribuzione regolare. Con la regressione lineare, si utilizza una variabile indipendente che spieghi e/o preveda il risultato della variabile Y (numero di risposta). La regressione multipla, inoltre, può utilizzare più variabili indipendenti con lo stesso obiettivo, mentre, nella regressione logistica, le variabili sconosciute di una variabile discreta vengono previste in base al valore conosciuto di altre variabili.
  • Le reti neurali (sistemi che cercano di imitare il funzionamento del cervello umano) permettono infine, grazie alla loro potenza e flessibilità, di modellare relazioni molto più complesse, anche in presenza di relazioni non lineari nei dati a disposizione. L’utilizzo di questa tecnica di machine learning è utile quando non è nota una formula matematica che metta in relazione input e output, quando il focus è sulla previsione e non tanto sulla spiegazione di come ci si arrivi e nei casi in cui il training dataset (insieme dei dati di addestramento) è molto ampio.

Le diverse applicazioni della modellazione predittiva

Numerose sono le possibili applicazioni della modellazione predittiva e svariati sono i settori che giovano dei vantaggi che questa tecnica offre.

In ambito bancario e finanziario, tipicamente caratterizzato da enormi quantità di dati, per esempio, l’analisi predittiva è utilizzata allo scopo di rilevare e ridurre le frodi, per misurare il rischio di credito e anche per fidelizzare i clienti. Nella vendita al dettaglio, l’analisi predittiva viene invece usata per l’ottimizzazione dei prezzi così come per migliorare le campagne promozionali, analizzandone l’efficacia. Questi modelli possono giocare un ruolo importantissimo, nell’ambito della produzione, anche nella previsione dei guasti ai macchinari, nell’ottimizzazione della distribuzione e nella riduzione degli errori di produzione.

Ma non solo. I modelli predittivi sono molto diffusi anche nel campo delle assicurazioni sanitarie, in cui è così possibile identificare i pazienti più a rischio di malattie croniche, nel settore energetico, nel quale i modelli possono essere fondamentali nella previsione di future esigenze di risorse e nella mitigazione dei rischi alla sicurezza, e nella pubblica amministrazione, in cui queste tecniche vengono usate, tra le altre cose, per migliorare i servizi e prevenire attacchi informatici.  

Perché utilizzare questa tecnica?

Data la trasversalità applicativa della modellazione predittiva, le sue potenziali applicazioni continueranno ad aumentare, rendendo più facile la navigazione all’interno di un vasto mare di dati e la presa di decisioni basate su questi.

L’analisi predittiva potrà dunque rendere più efficienti, agevoli e spediti svariati processi all’interno delle aziende e della pubblica amministrazione, facilitando il lavoro e riducendo i rischi.