Gli agricoltori utilizzano i Big Data per migliorare la produttività e la qualità  dei raccolti. Oggi, analizzando le misurazioni in tempo reale raccolte sul campo dai droni e dai sensori remoti, i dati sul clima e le caratteristiche di crescita di migliaia di colture, gli agricoltori sono in grado di determinare il giorno ottimale per una  specifica semina. È questa la sintesi di quella che in gergo viene definita "agricoltura di precisione", un sistema tecnologico che grazie all'elaborazione, e all'apprendimento dei metodi per elaborare, ha segnalato un incremento del 5% circa nella resa delle colture in due anni, un miglioramento più marcato rispetto a qualsiasi altra innovazione recente.  

 

Partendo da questo esempio, gli esperti di Goldman Sachs Asset Management, nel documento GSAM Perspectives (disponibile in versione integrale nell'area riservata ai consulenti finanziari AdvisorProfessional), evidenziano l'importanza di elaborare dati, estraendo intuizioni a prima vista nascoste e convertendole in informazioni spendibili. "Oggi gli analisti hanno accesso a un flusso infinito di dati" spiegano i ricercatori di GSAM "tanto che nemmeno gli esperti più prolifici riescono a tenere il passo. Indipendentemente dalla metrica di valutazione, stiamo creando una quantità di dati senza precedenti, a ritmi  sempre più rapidi. Il semplice fatto di avere computer più veloci e database più ampi non risolve di per sé il problema di assimilare massicce quantità di dati. Gli algoritmi di elaborazione dati si sono quindi evoluti, passando dalla semplice  elaborazione all’apprendimento dei metodi per elaborare. Questo approccio è definito apprendimento automatico". 

 

Un approccio che si fonda sulla capacità di creare relazioni tra dati noti, "utilizzandole per formulare previsioni su nuovi dati. Negli ultimi vent’anni le tecnologie di apprendimento automatico hanno compiuto notevoli progressi teorici e pratici evidenziando la crescente necessità di accurati algoritmi di  apprendimento automatico per gestire quantità di dati senza precedenti". In questo contesto gli algoritmi di apprendimento automatico si dividono sostanzialmente in due categorie: "apprendimento  supervisionato e apprendimento non supervisionato".

 

I primi, utilizzati per formulare previsioni basate su osservazioni storiche, hanno il compito di analizzare dati storici (detti dati di training) e modellare "la relazione tra dati di input (definiti dalle proprie “caratteristiche” nel linguaggio dell’apprendimento  automatico) e dati di output “etichettati”" si legge nel report di GSAM. L’apprendimento automatico non supervisionato si pone, invece, "l’obiettivo di analizzare un ampio insieme di dati di input al  fine di creare attorno ad esso una struttura. Una possibile applicazione di questo processo consiste nell’analizzare i dati al fine di classificarli in particolari categorie". 

 

In entrambi i casi è evidente che l’apprendimento automatico consente ai computer di apprendere - appunto - in modo molto simile agli essere umani, "operando con regole predefinite (per esempio un manuale di guida), ma anche di apprendere – ed è questo l’aspetto più  importante – dalle prove empiriche grazie alla raccolta e all’interpretazione di un numero sempre maggiore di dati (per  esempio imparando a guidare attraverso effettive esercitazioni di guida)". Ma non bisogna sottovalutare, a detta degli esperti di GSAM, la supervisione e l'intuizione dell'uomo. Se è, infatti, vero che computer può battere a scacchi un essere umano, è sicuramente fuori discussione che "un computer e un essere umano, insieme, sono  in grado di battere qualsiasi computer".

 

L'approfondimento sull'apprendimento automatico firmato dagli esperti di Goldman Sachs Asset Management (GSAM) è disponibile in versione integrale su AdvisorProfessional (L'apprendimento automatico, un fattore essenziale per il successo degli investitori).