Alla scoperta di LIME e KNIME: perché sono così importanti per il Machine Learning?

Il Machine Learning è un sottoinsieme dell’intelligenza artificiale che addestra le macchine ad imparare dai dati e a generalizzare le conoscenze acquisite per eseguire compiti senza il bisogno di istruzioni esplicite. Le sue applicazioni e il suo valore stanno crescendo a vista d’occhio in tutto il mondo. A dimostrarlo sono i numeri: nel 2021 il mercato globale dell’apprendimento automatico è stato valutato a 15,44 miliardi di dollari e si prevede che entro il 2029 raggiungerà i 209,91 miliardi (fonte: fortunebusinessinsights.com). Per riuscire a raggiungere risultati straordinari nei settori più disparati, il ML si avvale di strumenti e metodologie ormai ampiamente diffusi e collaudati, come LIME e KNIME. Deep Learning Italia offre due corsi online (“Machine Learning con KNIME” e “Machine Learning Explanations: LIME”) dedicati proprio all’approfondimento di queste tematiche, grazie ad un totale di circa 8 ore di lezioni on-demand arricchite da slide, quiz ed esercitazioni pratiche.

LIME e KNIME per il Machine Learning: di cosa si tratta?

KNIME è l’acronimo di Konstanz Information Miner, una piattaforma open source che offre un’ampia gamma di funzionalità per l’analisi e l’integrazione dei dati e la creazione di report. Attraverso la sua interfaccia completa e intuitiva è possibile:

accedere a strumenti integrati per pulire, trasformare e manipolare dati;
sfruttare componenti per creare, addestrare e valutare modelli di ML;
esplorare e rappresentare i dati in modo chiaro;
automatizzare attività ripetitive;
integrare librerie e strumenti esterni, come Python e R.

Con la sigla LIME, invece, si fa riferimento al metodo Local Interpretable Model-agnostic Explanations. Si tratta di una tecnica utilizzata nell’apprendimento automatico e nell’intelligenza artificiale, per comprendere meglio il funzionamento dei modelli di ML e fornire spiegazioni interpretabili delle loro previsioni. Nello specifico, LIME:

non fornisce una spiegazione globale relativa all’intero modello per spiegarne il comportamento, ma offre spiegazioni locali per singole istanze di dati;
crea un modello interpretabile per prevedere il comportamento del modello di ML su un’istanza specifica;
può essere utilizzato con qualsiasi tipo di modello;
viene impiegato con grande frequenza per spiegare le decisioni di modelli in contesti particolarmente sensibili, come ad esempio quello sanitario.

In estrema sintesi, è possibile affermare che KNIME supporta la creazione e l’addestramento di modelli di Machine Learning, mentre LIME aiuta a interpretarli e spiegarli. È per queste ragioni che il loro utilizzo è fondamentale in questa branca dell’IA.