CoupDeGraceCoupDeGraceCoupDeGrace{"id":14345,"date":"2023-06-26T10:41:21","date_gmt":"2023-06-26T10:41:21","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=14345"},"modified":"2023-07-12T10:43:57","modified_gmt":"2023-07-12T10:43:57","slug":"design-degli-algoritmi-dai-tradizionali-a-quelli-ad-apprendimento-automatico","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=14345","title":{"rendered":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>A cura di Pier Giuseppe Giribone<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell\u2019articolo precedente della rubrica si era trattata la differenza esistente tra Intelligenza Artificiale (AI) e Machine Learning (ML), motivando perch\u00e9 quest\u2019ultimo poteva essere considerato un suo particolare caso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In questo secondo articolo si cercher\u00e0 di fornire una definizione di Machine Learning e di chiarire le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In modo estremamente intuitivo, si pu\u00f2 affermare che il Machine Learning comprenda la scienza (ed arte) di programmare un computer in modo tale che questo possa \u201cimparare\u201d in modo autonomo dai dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Storicamente questo concetto era gi\u00e0 stato espresso in termini visionari nel 1959 dall\u2019informatico statunitense Arthur Lee Samuel, il quale defin\u00ec il ML come quel campo di studio che fornisce ai calcolatori l\u2019abilit\u00e0 di imparare senza che questi siano esplicitamente programmati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel 1997 lo scienziato Tom Michael Mitchell ha fornito una definizione pi\u00f9 tecnica e, in un certo senso, pi\u00f9 precisa in merito alla definizione di apprendimento automatico: \u201cSi dice che un programma per computer apprende dall\u2019esperienza&nbsp;<strong>E<\/strong>&nbsp;rispetto ad un qualche compito assegnato&nbsp;<strong>T<\/strong>&nbsp;e a qualche misura di prestazione&nbsp;<strong>P<\/strong>, se la sua prestazione per portare a termine il task&nbsp;<strong>T<\/strong>, misurata da&nbsp;<strong>P<\/strong>, migliora con l\u2019esperienza&nbsp;<strong>E<\/strong>\u201d.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tale definizione che pu\u00f2 risultare di non immediata intuizione, merita sicuramente un esempio chiarificatore.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo generalmente dimestichezza con il software che consente di gestire la posta elettronica e, in particolare, \u00e8 noto cosa si intende per \u201cspam filter\u201d (ossia l\u2019algoritmo che si avvale dei paradigmi moderni di apprendimento artificiale al fine di filtrare eventuali mail indesiderate).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo \u00e8 un tipico programma di Machine Learning (ML) che, forniti gli esempi di mail considerate spam (contrassegnate dall\u2019utente stesso) e\/o mail ricevute considerate regolari (quelle non indesiderate alle quali l\u2019utente ha risposto), pu\u00f2 imparare autonomamente a contrassegnare in automatico una mail come spam.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gli esempi che il sistema usa per imparare definiscono il training set. Ciascun set di dati fornito come addestramento \u00e8 detto training instance o sample.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In questo caso, secondo la definizione fornita da Mitchell, si potrebbe affermare che il task&nbsp;<strong>T<\/strong>&nbsp;per lo spam filter \u00e8 quello di flaggare una nuova mail come indesiderata, l\u2019esperienza&nbsp;<strong>E<\/strong>&nbsp;\u00e8 data dai training data e la performance&nbsp;<strong>P<\/strong>, che misura il livello di apprendimento, pu\u00f2 essere, ad esempio, definita come la percentuale di mail correttamente classificate dal sistema.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un algoritmo che ha a disposizione una grande mole di dati, ma al quale non sia assegnato un obiettivo specifico e una relativa metrica di performance con la quale misurare nel tempo quanto efficientemente stia raggiungendo la convergenza, non pu\u00f2 essere considerato un programma che lavori seguendo i paradigmi di Machine Learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se si scaricasse una copia statica di Wikipedia su un pc, il computer avrebbe una enorme mole di informazioni e dati, ma questi, non essendo gestiti\/ordinati, non porterebbero a una nuova conoscenza: quale tipo di task infatti il software imparerebbe a fare meglio? Il mero download programmatico di una copia di una enciclopedia non costituisce dunque Machine Learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al fine di comprendere la differenza progettuale tra un algoritmo tradizionale e uno che implementa i paradigmi di Machine Learning, ci mettiamo nei panni di uno sviluppatore che si proponga di stendere le logiche per scrivere il programma sopra citato di spam filter.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019approccio algoritmico tradizionale prevedrebbe un flow-chart contenente le seguenti istruzioni:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>I) Si considerano tutti gli elementi che tipicamente possono caratterizzare uno spam. Ad esempio si noterebbero parole\/frasi ricorrenti nell\u2019oggetto della mail comprendenti \u00ab4U\u00bb, \u00abcredit card\u00bb, \u00abfree\u00bb. Si potrebbero notare altri pattern nell\u2019indirizzo mail o nel corpo potenzialmente utili.<\/li>\n\n\n\n<li>II) Si scriverebbe un algoritmo di rilevamento (detection) per ciascuno di questi pattern emersi nell\u2019analisi precedente e il software contrassegner\u00e0 le mail spam qualora fossero rilevati un certo numero di questi pattern.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">III) Si tester\u00e0 il programma e si ripeter\u00e0 I) e II) sintanto che l\u2019algoritmo avr\u00e0 raggiunto performance soddisfacenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 evidente che essendo un problema complesso, il programma sar\u00e0 caratterizzato da una lista lunghissima di regole piuttosto complesse da mantenere in modo efficiente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Uno spam filter basato su tecniche ML impara automaticamente quali parole e frasi sono corretti predittori di spam, grazie al rilevamento di pattern inusuali che caratterizzano le mail non desiderate da quelle regolari, grazie al confronto effettuato nel training set.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il programma risulter\u00e0 cos\u00ec pi\u00f9 snello, semplice da mantenere e caratterizzato da una maggiore probabilit\u00e0 di accuratezza.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Che cosa potrebbe succedere se uno spammer segnala che tutte le mail che contengono \u00ab4U\u00bb sono bloccate? Potrebbe semplicemente iniziare a scrivere semplicemente \u00abFor U\u00bb. Uno spam filter che impiega tecniche di programmazione tradizionali dovrebbe essere aggiornato con una nuova regola che blocchi anche le mail \u00abFor U\u00bb.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se lo spammer rileva inadeguato il nostro sistema di filtering, dovremmo costantemente definire e aggiungere nuove regole.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A differenza dell\u2019approccio di programmazione tradizionale, uno spam filter basato su tecniche di Machine Learning automaticamente possiede la capacit\u00e0 di notare che le parole \u00abFor U\u00bb sono diventate inusualmente frequenti tra quelli contrassegnate dall\u2019utente come spam e di conseguenza agire in autonomia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019algoritmo, pertanto, inizier\u00e0 automaticamente a flaggare questo tipo di mail senza l\u2019intervento manuale dell\u2019utente: esso ha imparato una nuova regola, guidata dall\u2019esperienza dell\u2019utente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019impiego di algoritmi di ML risulta quindi particolarmente interessante nella risoluzione di problemi complessi, per i quali non sono definibili a priori le regole che governano il sistema da rappresentare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Compreso cosa si intende per Machine Learning e le principali differenze di design algoritmico tra un programma tradizionale ed uno adibito all\u2019apprendimento automatico, il prossimo articolo avr\u00e0 per oggetto la classificazione delle diverse tipologie di Machine Learning in funzione delle differenti tipologie di apprendimento.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"930\" height=\"526\" src=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/07\/image.png\" alt=\"\" class=\"wp-image-14348\" srcset=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/07\/image.png 930w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/07\/image-300x170.png 300w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/07\/image-768x434.png 768w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/07\/image-600x339.png 600w\" sizes=\"(max-width: 930px) 100vw, 930px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><em>Arthur Lee Samuel, Pioniere nel campo dell\u2019intelligenza artificiale e dei videogiochi per computer, coni\u00f2 il termine \u201cmachine learning\u201d nel 1959. Cre\u00f2 con successo il primo programma di dama basato sull\u2019apprendimento automatico, fornendo una dimostrazione precoce dei concetti fondamentali dell\u2019intelligenza artificiale.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si era trattata la differenza esistente tra Intelligenza Artificiale (AI) e Machine Learning (ML), motivando perch\u00e9 quest\u2019ultimo poteva essere considerato un suo particolare caso. In questo secondo articolo si cercher\u00e0 di fornire una definizione di Machine Learning e di chiarire le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento. In modo estremamente intuitivo, si pu\u00f2 affermare che il Machine Learning comprenda la scienza (ed arte) di programmare un computer in modo tale che questo possa \u201cimparare\u201d in modo autonomo dai dati. Storicamente questo concetto era gi\u00e0 stato espresso in termini visionari nel 1959 dall\u2019informatico statunitense Arthur Lee Samuel, il quale defin\u00ec il ML come quel campo di studio che fornisce ai calcolatori l\u2019abilit\u00e0 di imparare senza che questi siano esplicitamente programmati. Nel 1997 lo scienziato Tom Michael Mitchell ha fornito una definizione pi\u00f9 tecnica e, in un certo senso, pi\u00f9 precisa in merito alla definizione di apprendimento automatico: \u201cSi dice che un programma per computer apprende dall\u2019esperienza&nbsp;E&nbsp;rispetto ad un qualche compito assegnato&nbsp;T&nbsp;e a qualche misura di prestazione&nbsp;P, se la sua prestazione per portare a termine il task&nbsp;T, misurata da&nbsp;P, migliora con l\u2019esperienza&nbsp;E\u201d. Tale definizione che pu\u00f2 risultare di non immediata intuizione, merita sicuramente un esempio chiarificatore. Abbiamo generalmente dimestichezza con il software che consente di gestire la posta elettronica e, in particolare, \u00e8 noto cosa si intende per \u201cspam filter\u201d (ossia l\u2019algoritmo che si avvale dei paradigmi moderni di apprendimento artificiale al fine di filtrare eventuali mail indesiderate). Questo \u00e8 un tipico programma di Machine Learning (ML) che, forniti gli esempi di mail considerate spam (contrassegnate dall\u2019utente stesso) e\/o mail ricevute considerate regolari (quelle non indesiderate alle quali l\u2019utente ha risposto), pu\u00f2 imparare autonomamente a contrassegnare in automatico una mail come spam. Gli esempi che il sistema usa per imparare definiscono il training set. Ciascun set di dati fornito come addestramento \u00e8 detto training instance o sample. In questo caso, secondo la definizione fornita da Mitchell, si potrebbe affermare che il task&nbsp;T&nbsp;per lo spam filter \u00e8 quello di flaggare una nuova mail come indesiderata, l\u2019esperienza&nbsp;E&nbsp;\u00e8 data dai training data e la performance&nbsp;P, che misura il livello di apprendimento, pu\u00f2 essere, ad esempio, definita come la percentuale di mail correttamente classificate dal sistema. Un algoritmo che ha a disposizione una grande mole di dati, ma al quale non sia assegnato un obiettivo specifico e una relativa metrica di performance con la quale misurare nel tempo quanto efficientemente stia raggiungendo la convergenza, non pu\u00f2 essere considerato un programma che lavori seguendo i paradigmi di Machine Learning. Se si scaricasse una copia statica di Wikipedia su un pc, il computer avrebbe una enorme mole di informazioni e dati, ma questi, non essendo gestiti\/ordinati, non porterebbero a una nuova conoscenza: quale tipo di task infatti il software imparerebbe a fare meglio? Il mero download programmatico di una copia di una enciclopedia non costituisce dunque Machine Learning. Al fine di comprendere la differenza progettuale tra un algoritmo tradizionale e uno che implementa i paradigmi di Machine Learning, ci mettiamo nei panni di uno sviluppatore che si proponga di stendere le logiche per scrivere il programma sopra citato di spam filter. L\u2019approccio algoritmico tradizionale prevedrebbe un flow-chart contenente le seguenti istruzioni: III) Si tester\u00e0 il programma e si ripeter\u00e0 I) e II) sintanto che l\u2019algoritmo avr\u00e0 raggiunto performance soddisfacenti. \u00c8 evidente che essendo un problema complesso, il programma sar\u00e0 caratterizzato da una lista lunghissima di regole piuttosto complesse da mantenere in modo efficiente. Uno spam filter basato su tecniche ML impara automaticamente quali parole e frasi sono corretti predittori di spam, grazie al rilevamento di pattern inusuali che caratterizzano le mail non desiderate da quelle regolari, grazie al confronto effettuato nel training set. Il programma risulter\u00e0 cos\u00ec pi\u00f9 snello, semplice da mantenere e caratterizzato da una maggiore probabilit\u00e0 di accuratezza. Che cosa potrebbe succedere se uno spammer segnala che tutte le mail che contengono \u00ab4U\u00bb sono bloccate? Potrebbe semplicemente iniziare a scrivere semplicemente \u00abFor U\u00bb. Uno spam filter che impiega tecniche di programmazione tradizionali dovrebbe essere aggiornato con una nuova regola che blocchi anche le mail \u00abFor U\u00bb. Se lo spammer rileva inadeguato il nostro sistema di filtering, dovremmo costantemente definire e aggiungere nuove regole. A differenza dell\u2019approccio di programmazione tradizionale, uno spam filter basato su tecniche di Machine Learning automaticamente possiede la capacit\u00e0 di notare che le parole \u00abFor U\u00bb sono diventate inusualmente frequenti tra quelli contrassegnate dall\u2019utente come spam e di conseguenza agire in autonomia. L\u2019algoritmo, pertanto, inizier\u00e0 automaticamente a flaggare questo tipo di mail senza l\u2019intervento manuale dell\u2019utente: esso ha imparato una nuova regola, guidata dall\u2019esperienza dell\u2019utente. L\u2019impiego di algoritmi di ML risulta quindi particolarmente interessante nella risoluzione di problemi complessi, per i quali non sono definibili a priori le regole che governano il sistema da rappresentare. Compreso cosa si intende per Machine Learning e le principali differenze di design algoritmico tra un programma tradizionale ed uno adibito all\u2019apprendimento automatico, il prossimo articolo avr\u00e0 per oggetto la classificazione delle diverse tipologie di Machine Learning in funzione delle differenti tipologie di apprendimento. Arthur Lee Samuel, Pioniere nel campo dell\u2019intelligenza artificiale e dei videogiochi per computer, coni\u00f2 il termine \u201cmachine learning\u201d nel 1959. Cre\u00f2 con successo il primo programma di dama basato sull\u2019apprendimento automatico, fornendo una dimostrazione precoce dei concetti fondamentali dell\u2019intelligenza artificiale.<\/p>\n","protected":false},"author":1,"featured_media":14347,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[214,206],"tags":[],"class_list":["post-14345","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-antiriciclaggio-compliance","category-news"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/antiriciclaggioerisk.com\/?p=14345\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si era trattata la differenza esistente tra Intelligenza Artificiale (AI) e Machine Learning (ML), motivando perch\u00e9 quest\u2019ultimo poteva essere considerato un suo particolare caso. In questo secondo articolo si cercher\u00e0 di fornire una definizione di Machine Learning e di chiarire le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento. In modo estremamente intuitivo, si pu\u00f2 affermare che il Machine Learning comprenda la scienza (ed arte) di programmare un computer in modo tale che questo possa \u201cimparare\u201d in modo autonomo dai dati. Storicamente questo concetto era gi\u00e0 stato espresso in termini visionari nel 1959 dall\u2019informatico statunitense Arthur Lee Samuel, il quale defin\u00ec il ML come quel campo di studio che fornisce ai calcolatori l\u2019abilit\u00e0 di imparare senza che questi siano esplicitamente programmati. Nel 1997 lo scienziato Tom Michael Mitchell ha fornito una definizione pi\u00f9 tecnica e, in un certo senso, pi\u00f9 precisa in merito alla definizione di apprendimento automatico: \u201cSi dice che un programma per computer apprende dall\u2019esperienza&nbsp;E&nbsp;rispetto ad un qualche compito assegnato&nbsp;T&nbsp;e a qualche misura di prestazione&nbsp;P, se la sua prestazione per portare a termine il task&nbsp;T, misurata da&nbsp;P, migliora con l\u2019esperienza&nbsp;E\u201d. Tale definizione che pu\u00f2 risultare di non immediata intuizione, merita sicuramente un esempio chiarificatore. Abbiamo generalmente dimestichezza con il software che consente di gestire la posta elettronica e, in particolare, \u00e8 noto cosa si intende per \u201cspam filter\u201d (ossia l\u2019algoritmo che si avvale dei paradigmi moderni di apprendimento artificiale al fine di filtrare eventuali mail indesiderate). Questo \u00e8 un tipico programma di Machine Learning (ML) che, forniti gli esempi di mail considerate spam (contrassegnate dall\u2019utente stesso) e\/o mail ricevute considerate regolari (quelle non indesiderate alle quali l\u2019utente ha risposto), pu\u00f2 imparare autonomamente a contrassegnare in automatico una mail come spam. Gli esempi che il sistema usa per imparare definiscono il training set. Ciascun set di dati fornito come addestramento \u00e8 detto training instance o sample. In questo caso, secondo la definizione fornita da Mitchell, si potrebbe affermare che il task&nbsp;T&nbsp;per lo spam filter \u00e8 quello di flaggare una nuova mail come indesiderata, l\u2019esperienza&nbsp;E&nbsp;\u00e8 data dai training data e la performance&nbsp;P, che misura il livello di apprendimento, pu\u00f2 essere, ad esempio, definita come la percentuale di mail correttamente classificate dal sistema. Un algoritmo che ha a disposizione una grande mole di dati, ma al quale non sia assegnato un obiettivo specifico e una relativa metrica di performance con la quale misurare nel tempo quanto efficientemente stia raggiungendo la convergenza, non pu\u00f2 essere considerato un programma che lavori seguendo i paradigmi di Machine Learning. Se si scaricasse una copia statica di Wikipedia su un pc, il computer avrebbe una enorme mole di informazioni e dati, ma questi, non essendo gestiti\/ordinati, non porterebbero a una nuova conoscenza: quale tipo di task infatti il software imparerebbe a fare meglio? Il mero download programmatico di una copia di una enciclopedia non costituisce dunque Machine Learning. Al fine di comprendere la differenza progettuale tra un algoritmo tradizionale e uno che implementa i paradigmi di Machine Learning, ci mettiamo nei panni di uno sviluppatore che si proponga di stendere le logiche per scrivere il programma sopra citato di spam filter. L\u2019approccio algoritmico tradizionale prevedrebbe un flow-chart contenente le seguenti istruzioni: III) Si tester\u00e0 il programma e si ripeter\u00e0 I) e II) sintanto che l\u2019algoritmo avr\u00e0 raggiunto performance soddisfacenti. \u00c8 evidente che essendo un problema complesso, il programma sar\u00e0 caratterizzato da una lista lunghissima di regole piuttosto complesse da mantenere in modo efficiente. Uno spam filter basato su tecniche ML impara automaticamente quali parole e frasi sono corretti predittori di spam, grazie al rilevamento di pattern inusuali che caratterizzano le mail non desiderate da quelle regolari, grazie al confronto effettuato nel training set. Il programma risulter\u00e0 cos\u00ec pi\u00f9 snello, semplice da mantenere e caratterizzato da una maggiore probabilit\u00e0 di accuratezza. Che cosa potrebbe succedere se uno spammer segnala che tutte le mail che contengono \u00ab4U\u00bb sono bloccate? Potrebbe semplicemente iniziare a scrivere semplicemente \u00abFor U\u00bb. Uno spam filter che impiega tecniche di programmazione tradizionali dovrebbe essere aggiornato con una nuova regola che blocchi anche le mail \u00abFor U\u00bb. Se lo spammer rileva inadeguato il nostro sistema di filtering, dovremmo costantemente definire e aggiungere nuove regole. A differenza dell\u2019approccio di programmazione tradizionale, uno spam filter basato su tecniche di Machine Learning automaticamente possiede la capacit\u00e0 di notare che le parole \u00abFor U\u00bb sono diventate inusualmente frequenti tra quelli contrassegnate dall\u2019utente come spam e di conseguenza agire in autonomia. L\u2019algoritmo, pertanto, inizier\u00e0 automaticamente a flaggare questo tipo di mail senza l\u2019intervento manuale dell\u2019utente: esso ha imparato una nuova regola, guidata dall\u2019esperienza dell\u2019utente. L\u2019impiego di algoritmi di ML risulta quindi particolarmente interessante nella risoluzione di problemi complessi, per i quali non sono definibili a priori le regole che governano il sistema da rappresentare. Compreso cosa si intende per Machine Learning e le principali differenze di design algoritmico tra un programma tradizionale ed uno adibito all\u2019apprendimento automatico, il prossimo articolo avr\u00e0 per oggetto la classificazione delle diverse tipologie di Machine Learning in funzione delle differenti tipologie di apprendimento. Arthur Lee Samuel, Pioniere nel campo dell\u2019intelligenza artificiale e dei videogiochi per computer, coni\u00f2 il termine \u201cmachine learning\u201d nel 1959. Cre\u00f2 con successo il primo programma di dama basato sull\u2019apprendimento automatico, fornendo una dimostrazione precoce dei concetti fondamentali dell\u2019intelligenza artificiale.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=14345\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2023-06-26T10:41:21+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-07-12T10:43:57+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"770\" \/>\n\t<meta property=\"og:image:height\" content=\"400\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"sbs\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico\",\"datePublished\":\"2023-06-26T10:41:21+00:00\",\"dateModified\":\"2023-07-12T10:43:57+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345\"},\"wordCount\":1015,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/06\\\/Articolo-2-RUBRICA-Giribone-770x400-1.png\",\"articleSection\":[\"Antiriciclaggio e Compliance\",\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345\",\"name\":\"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/06\\\/Articolo-2-RUBRICA-Giribone-770x400-1.png\",\"datePublished\":\"2023-06-26T10:41:21+00:00\",\"dateModified\":\"2023-07-12T10:43:57+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/06\\\/Articolo-2-RUBRICA-Giribone-770x400-1.png\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/06\\\/Articolo-2-RUBRICA-Giribone-770x400-1.png\",\"width\":770,\"height\":400},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14345#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"name\":\"Scuola Italiana Antiriciclaggio\",\"description\":\"Master e corsi con Certificazione Antiriciclaggio internazionale\",\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\",\"name\":\"European School of Banking Management\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"width\":360,\"height\":195,\"caption\":\"European School of Banking Management\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/it.linkedin.com\\\/school\\\/scuola-europea-di-formazione-bancaria\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\",\"name\":\"sbs\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"caption\":\"sbs\"},\"sameAs\":[\"https:\\\/\\\/antiriciclaggioerisk.com\"],\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?author=1\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/antiriciclaggioerisk.com\/?p=14345","og_locale":"en_US","og_type":"article","og_title":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio","og_description":"A cura di Pier Giuseppe Giribone Nell\u2019articolo precedente della rubrica si era trattata la differenza esistente tra Intelligenza Artificiale (AI) e Machine Learning (ML), motivando perch\u00e9 quest\u2019ultimo poteva essere considerato un suo particolare caso. In questo secondo articolo si cercher\u00e0 di fornire una definizione di Machine Learning e di chiarire le principali differenze di funzionamento intercorrenti tra un tradizionale algoritmo e uno concepito secondo i moderni paradigmi di apprendimento. In modo estremamente intuitivo, si pu\u00f2 affermare che il Machine Learning comprenda la scienza (ed arte) di programmare un computer in modo tale che questo possa \u201cimparare\u201d in modo autonomo dai dati. Storicamente questo concetto era gi\u00e0 stato espresso in termini visionari nel 1959 dall\u2019informatico statunitense Arthur Lee Samuel, il quale defin\u00ec il ML come quel campo di studio che fornisce ai calcolatori l\u2019abilit\u00e0 di imparare senza che questi siano esplicitamente programmati. Nel 1997 lo scienziato Tom Michael Mitchell ha fornito una definizione pi\u00f9 tecnica e, in un certo senso, pi\u00f9 precisa in merito alla definizione di apprendimento automatico: \u201cSi dice che un programma per computer apprende dall\u2019esperienza&nbsp;E&nbsp;rispetto ad un qualche compito assegnato&nbsp;T&nbsp;e a qualche misura di prestazione&nbsp;P, se la sua prestazione per portare a termine il task&nbsp;T, misurata da&nbsp;P, migliora con l\u2019esperienza&nbsp;E\u201d. Tale definizione che pu\u00f2 risultare di non immediata intuizione, merita sicuramente un esempio chiarificatore. Abbiamo generalmente dimestichezza con il software che consente di gestire la posta elettronica e, in particolare, \u00e8 noto cosa si intende per \u201cspam filter\u201d (ossia l\u2019algoritmo che si avvale dei paradigmi moderni di apprendimento artificiale al fine di filtrare eventuali mail indesiderate). Questo \u00e8 un tipico programma di Machine Learning (ML) che, forniti gli esempi di mail considerate spam (contrassegnate dall\u2019utente stesso) e\/o mail ricevute considerate regolari (quelle non indesiderate alle quali l\u2019utente ha risposto), pu\u00f2 imparare autonomamente a contrassegnare in automatico una mail come spam. Gli esempi che il sistema usa per imparare definiscono il training set. Ciascun set di dati fornito come addestramento \u00e8 detto training instance o sample. In questo caso, secondo la definizione fornita da Mitchell, si potrebbe affermare che il task&nbsp;T&nbsp;per lo spam filter \u00e8 quello di flaggare una nuova mail come indesiderata, l\u2019esperienza&nbsp;E&nbsp;\u00e8 data dai training data e la performance&nbsp;P, che misura il livello di apprendimento, pu\u00f2 essere, ad esempio, definita come la percentuale di mail correttamente classificate dal sistema. Un algoritmo che ha a disposizione una grande mole di dati, ma al quale non sia assegnato un obiettivo specifico e una relativa metrica di performance con la quale misurare nel tempo quanto efficientemente stia raggiungendo la convergenza, non pu\u00f2 essere considerato un programma che lavori seguendo i paradigmi di Machine Learning. Se si scaricasse una copia statica di Wikipedia su un pc, il computer avrebbe una enorme mole di informazioni e dati, ma questi, non essendo gestiti\/ordinati, non porterebbero a una nuova conoscenza: quale tipo di task infatti il software imparerebbe a fare meglio? Il mero download programmatico di una copia di una enciclopedia non costituisce dunque Machine Learning. Al fine di comprendere la differenza progettuale tra un algoritmo tradizionale e uno che implementa i paradigmi di Machine Learning, ci mettiamo nei panni di uno sviluppatore che si proponga di stendere le logiche per scrivere il programma sopra citato di spam filter. L\u2019approccio algoritmico tradizionale prevedrebbe un flow-chart contenente le seguenti istruzioni: III) Si tester\u00e0 il programma e si ripeter\u00e0 I) e II) sintanto che l\u2019algoritmo avr\u00e0 raggiunto performance soddisfacenti. \u00c8 evidente che essendo un problema complesso, il programma sar\u00e0 caratterizzato da una lista lunghissima di regole piuttosto complesse da mantenere in modo efficiente. Uno spam filter basato su tecniche ML impara automaticamente quali parole e frasi sono corretti predittori di spam, grazie al rilevamento di pattern inusuali che caratterizzano le mail non desiderate da quelle regolari, grazie al confronto effettuato nel training set. Il programma risulter\u00e0 cos\u00ec pi\u00f9 snello, semplice da mantenere e caratterizzato da una maggiore probabilit\u00e0 di accuratezza. Che cosa potrebbe succedere se uno spammer segnala che tutte le mail che contengono \u00ab4U\u00bb sono bloccate? Potrebbe semplicemente iniziare a scrivere semplicemente \u00abFor U\u00bb. Uno spam filter che impiega tecniche di programmazione tradizionali dovrebbe essere aggiornato con una nuova regola che blocchi anche le mail \u00abFor U\u00bb. Se lo spammer rileva inadeguato il nostro sistema di filtering, dovremmo costantemente definire e aggiungere nuove regole. A differenza dell\u2019approccio di programmazione tradizionale, uno spam filter basato su tecniche di Machine Learning automaticamente possiede la capacit\u00e0 di notare che le parole \u00abFor U\u00bb sono diventate inusualmente frequenti tra quelli contrassegnate dall\u2019utente come spam e di conseguenza agire in autonomia. L\u2019algoritmo, pertanto, inizier\u00e0 automaticamente a flaggare questo tipo di mail senza l\u2019intervento manuale dell\u2019utente: esso ha imparato una nuova regola, guidata dall\u2019esperienza dell\u2019utente. L\u2019impiego di algoritmi di ML risulta quindi particolarmente interessante nella risoluzione di problemi complessi, per i quali non sono definibili a priori le regole che governano il sistema da rappresentare. Compreso cosa si intende per Machine Learning e le principali differenze di design algoritmico tra un programma tradizionale ed uno adibito all\u2019apprendimento automatico, il prossimo articolo avr\u00e0 per oggetto la classificazione delle diverse tipologie di Machine Learning in funzione delle differenti tipologie di apprendimento. Arthur Lee Samuel, Pioniere nel campo dell\u2019intelligenza artificiale e dei videogiochi per computer, coni\u00f2 il termine \u201cmachine learning\u201d nel 1959. Cre\u00f2 con successo il primo programma di dama basato sull\u2019apprendimento automatico, fornendo una dimostrazione precoce dei concetti fondamentali dell\u2019intelligenza artificiale.","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=14345","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2023-06-26T10:41:21+00:00","article_modified_time":"2023-07-12T10:43:57+00:00","og_image":[{"width":770,"height":400,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png","type":"image\/png"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico","datePublished":"2023-06-26T10:41:21+00:00","dateModified":"2023-07-12T10:43:57+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345"},"wordCount":1015,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png","articleSection":["Antiriciclaggio e Compliance","News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345","url":"https:\/\/antiriciclaggioerisk.com\/?p=14345","name":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png","datePublished":"2023-06-26T10:41:21+00:00","dateModified":"2023-07-12T10:43:57+00:00","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=14345"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/06\/Articolo-2-RUBRICA-Giribone-770x400-1.png","width":770,"height":400},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14345#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"Design degli algoritmi: dai tradizionali a quelli ad apprendimento automatico"}]},{"@type":"WebSite","@id":"https:\/\/antiriciclaggioerisk.com\/#website","url":"https:\/\/antiriciclaggioerisk.com\/","name":"Scuola Italiana Antiriciclaggio","description":"Master e corsi con Certificazione Antiriciclaggio internazionale","publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/antiriciclaggioerisk.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/antiriciclaggioerisk.com\/#organization","name":"European School of Banking Management","url":"https:\/\/antiriciclaggioerisk.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","width":360,"height":195,"caption":"European School of Banking Management"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/it.linkedin.com\/school\/scuola-europea-di-formazione-bancaria\/"]},{"@type":"Person","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453","name":"sbs","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","caption":"sbs"},"sameAs":["https:\/\/antiriciclaggioerisk.com"],"url":"https:\/\/antiriciclaggioerisk.com\/?author=1"}]}},"views":388,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14345","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=14345"}],"version-history":[{"count":2,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14345\/revisions"}],"predecessor-version":[{"id":14349,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14345\/revisions\/14349"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/14347"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14345"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14345"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14345"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}