Il machine learning è una branca della data science che crea sistemi di apprendimento automatico, in grado di migliorarsi e aggiornarsi senza l’intervento dell'uomo. In sostanza, il machine learning permette a un software di automigliorarsi attraverso l’analisi di dati: più dati analizza e più “impara”.
Questo non vuol dire che l'uomo non abbia più alcun ruolo: per apprendere, la macchina ha bisogno di seguire un algoritmo e di analizzare un determinato set di dati prodotti dall’uomo. Se l'algoritmo non è accurato o se i dati sono insufficienti o squilibrati, il machine learning rischia di amplificare l'errore umano.
In molti casi, specie quando ha accesso a fonti ampie, attendibili e variegate, il machine learning può supportare l'uomo in molti settori, come ad esempio nel mondo finanziario. Ecco alcune delle applicazioni più utilizzate.
Algorithmic trading
Quando il machine learning non si limita a consigliare, ma si muove sul mercato, si parla di algorithmic trading, termine che nasce dalla crasi di algoritmo e trading. È umanamente impossibile, infatti, captare tutti i segnali che emergono dal mercato: è troppo vasto e si muove troppo velocemente. Il machine learning, invece, grazie a un'analisi massiva dei dati riconosce i cosiddetti “segnali deboli”, diventando così un prezioso supporto nelle decisioni o automatizzando alcuni processi che richiedono grande tempestività. L’algorithmic trading è, quindi, in grado di rendere l’analisi molto più rapida e, tra le altre cose, tende a ridurre l'impatto dell'emotività, che spesso – per eccessivo entusiasmo, paura o per “effetto gregge” – spinge a prendere decisioni avventate.
Supporto alle decisioni
Investire sui mercati richiede competenze, esperienza, comprensione di dinamiche non solo fredde ma anche emotive. Una cosa però è certa: più informazioni si hanno a disposizione e più si potrà investire con consapevolezza. Grazie alla capacità di estrarre informazioni significative dai dati a disposizione, il machine learning può essere un importante supporto alle decisioni d’investimento, rilevando tendenze in modo più dettagliato rispetto ai modelli tradizionali.
Machine learning in ambito bancario
Un altro settore nel quale il machine learning ha grandi potenzialità è quello bancario. La concessione di prestiti è tradizionalmente ancorata a pochi dati, come le garanzie offerte e la storia creditizia del richiedente. Oggi le informazioni a disposizione sono molte di più e il machine learning è in grado di analizzarle e renderle significative in modo estremamente rapido. Incrociare diversi dati consente alle banche e ad altre istituzioni di definire il merito creditizio di cittadini e imprese in modo più preciso.
Contrasto alle frodi
I “segnali deboli” possono essere rilevati non solo nell'analisi dei mercati, ma anche nell’individuazione di azioni contrarie alla legge. L'analisi dei dati e dei segnali deboli permette di individuare movimenti sospetti e anomalie. Si tratta di un'applicazione trasversale del machine learning, che però promette di essere particolarmente importante nel settore finanziario, dove alcuni reati, come il riciclaggio o l'insider trading, sono di difficile individuazione.
Chatbot per l'assistenza
Un’altra applicazione del machine learning trasversale, ma particolarmente utile nel mondo finanziario, sono i chatbot. Si tratta di software capaci di interagire con i clienti, che migliorano le proprie prestazioni accumulando “esperienza” durante le conversazioni. In campo finanziario, i chatbot forniscono un supporto rapido, 24 ore su 24, e smaltiscono le richieste routinarie, per poi rimandare a un operatore in caso di esigenze più complesse. I chatbot sono una delle applicazioni che meglio rappresenta un punto forte del machine learning: alleggerire i professionisti dal carico delle mansioni più ripetitive per consentire loro di concentrarsi su quelle attività per cui l'apporto umano resta imprescindibile.
