Agli inizi degli anni ’50 del secolo scorso, prima dell’avvento dell’intelligenza artificiale, le macchine erano capaci solo di eseguire un programma prestabilito o una sequenza di istruzioni, sempre nello stesso modo. L’intelligenza artificiale ha consentito alle macchine di migliorare le loro prestazioni man mano che acquisivano dati attraverso il lavoro stesso che facevano, fino a diventare capaci di svolgere attività non programmate dall’uomo, ma apprese dalla macchina stessa, e di adattarsi a situazioni, eventi e problemi non previsti da programmatori e costruttori.

Il machine learning o apprendimento automatico è un insieme di metodi di intelligenza artificiale che permettono alle macchine di apprendere lavorando, correggendo gli errori, migliorando continuamente le proprie prestazioni. Il machine learning costituisce uno dei principali passi avanti nella storia dell’intelligenza artificiale. Algoritmi che migliorano il comportamento della macchina nell’agire e nel prendere decisioni, la rendono capace di imparare tramite l’esperienza, proprio come gli esseri umani. Questi algoritmi intelligenti sono in grado di imparare dai propri errori in contesti per i quali i programmatori non possono a priori prevedere tutte le possibilità di sviluppo e le situazioni in cui il sistema si trova a operare. Dietro questo particolare ramo dell’intelligenza c’è una profonda ricerca teorica e pratica, basata sulla teoria computazionale dell’apprendimento, sul riconoscimento dei pattern e sulle reti neurali artificiali.

La complessità dell’apprendimento automatico ha portato a dover suddividere tre differenti possibilità, a seconda delle richieste di apprendimento che vengono fatte alla macchina.

Gli algoritmi di apprendimento operano con supervisione didattica, quando alla macchina vengono forniti esempi di obiettivi da raggiungere, e mostrate le relazioni tra input, output e risultato. Dall’insieme dei dati mostrati, la macchina deve essere in grado di estrapolare una regola generale con cui, ogni volta che venga stimolata con un determinato input, possa scegliere l’output corretto per il raggiungimento dell’obiettivo.

Oppure apprendono senza supervisione didattica, analizzando i risultati delle azioni precedenti e confrontandoli con le richieste ricevute. La macchina dovrà fare le sue scelte senza essere stata prima istruita sulle differenti possibilità di output a seconda degli input selezionati. Non ha un maestro, ma impara esclusivamente dai propri errori.

O ancora lavorano per rinforzo, se l’agente di intelligenza artificiale riceve un premio quando produce un output giusto o funzionale alle richieste, e in tal modo capisce come deve comportarsi di fronte a nuove richieste. Per portare a termine un obiettivo, la macchina interagisce con un ambiente dinamico con caratteristiche variabili, e deve muoversi non avendo nessuna indicazione se non sapere se è riuscita o meno a raggiungere lo scopo iniziale alla fine del compito svolto.

Il Quantum Machine Learning è la combinazione fra machine learning e quantum computing. L’algoritmo di machine learning basato sul calcolo computazionale quantistico è in grado di gestire dimensioni infinite, lavorando su variabili continue con un numero infinito di valori possibili, con un grande salto tecnologico rispetto ai precedenti algoritmi di apprendimento utilizzati con il calcolo quantistico, che si basavano su variabili discrete con un numero finito di valori. I vantaggi sono enormi per rapidità e scalabilità delle prestazioni ad un costo energetico minore.