CoupDeGraceCoupDeGraceCoupDeGrace{"id":14975,"date":"2024-01-26T16:20:46","date_gmt":"2024-01-26T16:20:46","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=14975"},"modified":"2024-01-26T16:21:37","modified_gmt":"2024-01-26T16:21:37","slug":"batch-ed-on-line-learning","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=14975","title":{"rendered":"\u201cBatch\u201d ed \u201cOn line\u201d learning"},"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\">I precedenti articoli hanno riguardato la classificazione degli algoritmi di Machine learning, suddivisi in funzione della tipologia di addestramento, con o senza la necessit\u00e0 di una supervisione umana.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tale criterio ha portato alla seguente distinzione: sistemi supervisionati, non supervisionati, semi-supervisionati e \u201cper rinforzo\u201d.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un&#8217;altra modalit\u00e0 di categorizzazione molto diffusa dipende dal sistema, qualora sia in grado di imparare incrementalmente al volo oppure no.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel <em>batch learning<\/em>, il sistema \u00e8 incapace di imparare incrementalmente: questo deve essere infatti addestrato impiegando tutti i dati disponibili in quel momento. Questo procedimento di training richiede generalmente molto tempo macchina ed occupa intensivamente le risorse del computer, conseguentemente \u00e8 sviluppato tendenzialmente off-line.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il sistema quindi viene dapprima addestrato e poi messo in produzione, dove svolge la sua mansione senza la possibilit\u00e0 di apprendere concetti nuovi: limitandosi ad applicare ci\u00f2 che ha imparato durante la training phase. Un algoritmo che funziona in tale modalit\u00e0 \u00e8 caratterizzato da un <em>offline learning<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Conseguentemente, se si desidera addestrare con nuovi dati un sistema basato sul <em>batch learning<\/em> (ad esempio fargli riconoscere una nuova tipologia di spam, nel caso di un classificatore di mail), \u00e8 necessario riaddestrare una nuova versione del sistema operando da zero sull\u2019intero dataset (quindi non solo con i nuovi dati, ma anche con tutti i precedenti). Una volta terminata la fase di training, si rende necessario fermare il vecchio sistema in produzione e rimpiazzarlo con il nuovo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Fortunatamente, l\u2019intero processo di addestramento, comprensivo della verifica delle prestazioni e della messa in produzione, pu\u00f2 essere automatizzato abbastanza facilmente, quindi anche un sistema di Machine Learning, progettato in questo modo, pu\u00f2 adattarsi al cambiamento dell\u2019ambiente circostante. Richiede semplicemente l\u2019aggiornamento dei dati e si procede ad addestrare una nuova versione del sistema da zero ogni qualvolta lo si ritenga necessario.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questa soluzione \u00e8 semplice e spesso funzionale, ma l\u2019addestramento effettuato sul\u2019intero set di dati pu\u00f2 impiegare numerose ore di elaborazione. Tipicamente avviene durante fasi programmate&nbsp; in funzione del tempo di elaborazione, ad esempio ogni giorno nella notte, oppure settimanalmente nel weekend.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Qualora il sistema necessitasse un adattamento ai nuovi dati pi\u00f9 rapido (ad esempio per il forecasting dei prezzi delle azioni), allora si rende necessaria la ricerca di una soluzione maggiormente reattiva.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si tenga presente che la fase di training sull\u2019intero set di dati richiede una quantit\u00e0 non trascurabile di risorse (CPU, memoria per il calcolo, spazio nel disco,\u2026) e se si dovesse processare un dataset di dimensioni significative per l\u2019addestramento partendo sempre da capo ogni giorno, la procedura verrebbe a costare una ingente somma di denaro. Se poi i dati dovessero superare una certa quantit\u00e0, volendo anche trascurare l\u2019aspetto economico, risulterebbe facilmente infattibile per la limitazione tecnologica-infrastrutturale della macchina ospitante l\u2019algoritmo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Infine, se il sistema \u00e8 progettato per imparare in autonomia e ha delle risorse limitate per farlo (ad esempio una app per smartphone) gestire una mole di training data non indifferente occupando quotidianamente e per ore risorse del dispositivo potrebbe risultare infattibile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Fortunatamente, una opzione pi\u00f9 ragionevole in tutte queste casistiche \u00e8 quella di adottare algoritmi in grado di imparare incrementalmente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell\u2019<em>online learning<\/em>, si addestra il sistema incrementalmente, alimentandolo con istanze sequenziali di dati: sia singolarmente, che in piccoli gruppi detti <em>mini-batches<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ciascun passo di apprendimento \u00e8 veloce ed economico, in modo tale che il sistema risulta in grado di imparare dai nuovi dati al volo, non appena questi sono disponibili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019online learning risulta particolarmente adatto per tutti i sistemi che ricevono dati per mezzo di un flusso continuo (ad esempio le quotazioni real time dei prezzi delle azioni) e pertanto necessitano di un adattamento rapido ed autonomo al cambiamento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questa \u00e8 anche una ottima opzione qualora si abbiano risorse limitate per l\u2019elaborazione numerica o lo storage di dati: una volta che l\u2019<em>online learning system<\/em> ha migliorato la sua conoscenza corrente imparando dalle nuove istanze, queste non servono pi\u00f9 a livello operativo e pertanto possono essere scartate (a meno che non si voglia contemplare la possibilit\u00e0 di tornare a uno stato precedente del sistema al fine di riprodurre i risultati ottenuti con il tipo di informazioni note al tempo dell\u2019elaborazione). Il tracking e la possibilit\u00e0 di riprodurre un risultato pu\u00f2 essere considerata una funzione fondamentale in un contesto bancario, ai fini dei controlli interni di secondo (risk management) e terzo livello (audit).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gli algoritmi basati sull\u2019online learning possono essere anche impiegati per addestrare sistemi su dataset di grandi dimensioni, che non possono essere processati in una sola volta dal computer a causa di vincoli di memoria. Questa modalit\u00e0 di addestramento viene definita <em>out-of-core learning<\/em>. L\u2019algoritmo carica in memoria un sottoinsieme di tutti i dati a disposizione per il training, viene addestrato solo su questi e viene iterato il procedimento sintanto che non siano esauriti i sottoraggruppamenti da processare.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L\u2019<em>out-of-core learning<\/em> \u00e8 un tipo di apprendimento che viene fatto spesso offline, nel senso che non \u00e8 conveniente condurlo \u201clive\u201d sul sistema in produzione. Si tenga quindi presente che la terminologia online learning pu\u00f2 indurre ad una confusione terminologica. Per questa ragione, e al fine di non suscitare fraintendimenti, spesso l\u2019online learning lo si preferisce identificare con il termine <em>incremental learning<\/em>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un parametro ritenuto di fondamentale importanza nella progettazione di un <em>online learning system<\/em> \u00e8 la velocit\u00e0 di adattamento al cambiamento dei dati: questa propriet\u00e0 \u00e8 definita tasso di apprendimento (<em>learning rate<\/em>).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se si imposta tale parametro ad un valore molto alto, il sistema si adatter\u00e0 molto velocemente ai nuovi dati, ma tender\u00e0 anche a scordare pi\u00f9 velocemente la conoscenza acquisita con i precedenti dati (non \u00e8 desiderabile per uno spam filter identificare solo i pi\u00f9 recenti espedienti di spam che gli sono stati mostrati nelle pi\u00f9 vicine fasi di training).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al contrario, se si imposta un tasso di apprendimento basso, il sistema sar\u00e0 dotato di maggiore inerzia, o meglio, imparer\u00e0 pi\u00f9 lentamente, ma sar\u00e0 caratterizzato da una minore sensibilit\u00e0 al rumore nei nuovi dati o a sequenze non rappresentative (<em>outliers<\/em>).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una grande sfida nella progettazione di algoritmi basati sull\u2019online learning \u00e8 quella derivante da una alimentazione in apprendimento con parecchi dati nuovi non veritieri. Evidentemente le prestazioni complessive risultanti subirebbero gradualmente un declino. Se poi il sistema risulta \u201clive\u201d in produzione, sicuramente tale malfunzionamento verrebbe di certo notato dai clienti, con un conseguente non trascurabile rischio operativo e di immagine aziendale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">A titolo di esempio, dati non conformi potrebbero provenire dal malfunzionamento di un sensore, oppure da un agente che spamma un motore di ricerca al fine di aumentare il proprio ranking nell\u2019ordine con il quale appaiono i risultati di tale ricerca.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al fine di ridurre tale rischio, \u00e8 necessario monitorare con continuit\u00e0 le performance del sistema. Qualora si avvertisse qualche problema, occorre essere pronti ad interrompere il flusso dei dati con il quale l\u2019algoritmo viene alimentato e, qualora si dispongano di copie di back-up, ripristinare un suo stato precedente non ancora compromesso da tali dati fallaci.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un controllo a monte del sistema \u00e8 anche possibile condurlo agendo sul monitoraggio continuo dei dati in ingresso e, conseguentemente, intervenire qualora si notino delle anomalie, sia nella quantit\u00e0 di approvvigionamento, sia nel loro contenuto.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone I precedenti articoli hanno riguardato la classificazione degli algoritmi di Machine learning, suddivisi in funzione della tipologia di addestramento, con o senza la necessit\u00e0 di una supervisione umana. Tale criterio ha portato alla seguente distinzione: sistemi supervisionati, non supervisionati, semi-supervisionati e \u201cper rinforzo\u201d. Un&#8217;altra modalit\u00e0 di categorizzazione molto diffusa dipende dal sistema, qualora sia in grado di imparare incrementalmente al volo oppure no. Nel batch learning, il sistema \u00e8 incapace di imparare incrementalmente: questo deve essere infatti addestrato impiegando tutti i dati disponibili in quel momento. Questo procedimento di training richiede generalmente molto tempo macchina ed occupa intensivamente le risorse del computer, conseguentemente \u00e8 sviluppato tendenzialmente off-line. Il sistema quindi viene dapprima addestrato e poi messo in produzione, dove svolge la sua mansione senza la possibilit\u00e0 di apprendere concetti nuovi: limitandosi ad applicare ci\u00f2 che ha imparato durante la training phase. Un algoritmo che funziona in tale modalit\u00e0 \u00e8 caratterizzato da un offline learning. Conseguentemente, se si desidera addestrare con nuovi dati un sistema basato sul batch learning (ad esempio fargli riconoscere una nuova tipologia di spam, nel caso di un classificatore di mail), \u00e8 necessario riaddestrare una nuova versione del sistema operando da zero sull\u2019intero dataset (quindi non solo con i nuovi dati, ma anche con tutti i precedenti). Una volta terminata la fase di training, si rende necessario fermare il vecchio sistema in produzione e rimpiazzarlo con il nuovo. Fortunatamente, l\u2019intero processo di addestramento, comprensivo della verifica delle prestazioni e della messa in produzione, pu\u00f2 essere automatizzato abbastanza facilmente, quindi anche un sistema di Machine Learning, progettato in questo modo, pu\u00f2 adattarsi al cambiamento dell\u2019ambiente circostante. Richiede semplicemente l\u2019aggiornamento dei dati e si procede ad addestrare una nuova versione del sistema da zero ogni qualvolta lo si ritenga necessario. Questa soluzione \u00e8 semplice e spesso funzionale, ma l\u2019addestramento effettuato sul\u2019intero set di dati pu\u00f2 impiegare numerose ore di elaborazione. Tipicamente avviene durante fasi programmate&nbsp; in funzione del tempo di elaborazione, ad esempio ogni giorno nella notte, oppure settimanalmente nel weekend. Qualora il sistema necessitasse un adattamento ai nuovi dati pi\u00f9 rapido (ad esempio per il forecasting dei prezzi delle azioni), allora si rende necessaria la ricerca di una soluzione maggiormente reattiva. Si tenga presente che la fase di training sull\u2019intero set di dati richiede una quantit\u00e0 non trascurabile di risorse (CPU, memoria per il calcolo, spazio nel disco,\u2026) e se si dovesse processare un dataset di dimensioni significative per l\u2019addestramento partendo sempre da capo ogni giorno, la procedura verrebbe a costare una ingente somma di denaro. Se poi i dati dovessero superare una certa quantit\u00e0, volendo anche trascurare l\u2019aspetto economico, risulterebbe facilmente infattibile per la limitazione tecnologica-infrastrutturale della macchina ospitante l\u2019algoritmo. Infine, se il sistema \u00e8 progettato per imparare in autonomia e ha delle risorse limitate per farlo (ad esempio una app per smartphone) gestire una mole di training data non indifferente occupando quotidianamente e per ore risorse del dispositivo potrebbe risultare infattibile. Fortunatamente, una opzione pi\u00f9 ragionevole in tutte queste casistiche \u00e8 quella di adottare algoritmi in grado di imparare incrementalmente. Nell\u2019online learning, si addestra il sistema incrementalmente, alimentandolo con istanze sequenziali di dati: sia singolarmente, che in piccoli gruppi detti mini-batches. Ciascun passo di apprendimento \u00e8 veloce ed economico, in modo tale che il sistema risulta in grado di imparare dai nuovi dati al volo, non appena questi sono disponibili. L\u2019online learning risulta particolarmente adatto per tutti i sistemi che ricevono dati per mezzo di un flusso continuo (ad esempio le quotazioni real time dei prezzi delle azioni) e pertanto necessitano di un adattamento rapido ed autonomo al cambiamento. Questa \u00e8 anche una ottima opzione qualora si abbiano risorse limitate per l\u2019elaborazione numerica o lo storage di dati: una volta che l\u2019online learning system ha migliorato la sua conoscenza corrente imparando dalle nuove istanze, queste non servono pi\u00f9 a livello operativo e pertanto possono essere scartate (a meno che non si voglia contemplare la possibilit\u00e0 di tornare a uno stato precedente del sistema al fine di riprodurre i risultati ottenuti con il tipo di informazioni note al tempo dell\u2019elaborazione). Il tracking e la possibilit\u00e0 di riprodurre un risultato pu\u00f2 essere considerata una funzione fondamentale in un contesto bancario, ai fini dei controlli interni di secondo (risk management) e terzo livello (audit). Gli algoritmi basati sull\u2019online learning possono essere anche impiegati per addestrare sistemi su dataset di grandi dimensioni, che non possono essere processati in una sola volta dal computer a causa di vincoli di memoria. Questa modalit\u00e0 di addestramento viene definita out-of-core learning. L\u2019algoritmo carica in memoria un sottoinsieme di tutti i dati a disposizione per il training, viene addestrato solo su questi e viene iterato il procedimento sintanto che non siano esauriti i sottoraggruppamenti da processare. L\u2019out-of-core learning \u00e8 un tipo di apprendimento che viene fatto spesso offline, nel senso che non \u00e8 conveniente condurlo \u201clive\u201d sul sistema in produzione. Si tenga quindi presente che la terminologia online learning pu\u00f2 indurre ad una confusione terminologica. Per questa ragione, e al fine di non suscitare fraintendimenti, spesso l\u2019online learning lo si preferisce identificare con il termine incremental learning. Un parametro ritenuto di fondamentale importanza nella progettazione di un online learning system \u00e8 la velocit\u00e0 di adattamento al cambiamento dei dati: questa propriet\u00e0 \u00e8 definita tasso di apprendimento (learning rate). Se si imposta tale parametro ad un valore molto alto, il sistema si adatter\u00e0 molto velocemente ai nuovi dati, ma tender\u00e0 anche a scordare pi\u00f9 velocemente la conoscenza acquisita con i precedenti dati (non \u00e8 desiderabile per uno spam filter identificare solo i pi\u00f9 recenti espedienti di spam che gli sono stati mostrati nelle pi\u00f9 vicine fasi di training). Al contrario, se si imposta un tasso di apprendimento basso, il sistema sar\u00e0 dotato di maggiore inerzia, o meglio, imparer\u00e0 pi\u00f9 lentamente, ma sar\u00e0 caratterizzato da una minore sensibilit\u00e0 al rumore nei nuovi dati o a sequenze non rappresentative (outliers). Una grande sfida nella progettazione di algoritmi basati sull\u2019online learning \u00e8 quella derivante da una alimentazione in apprendimento con parecchi dati [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":14976,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[206],"tags":[],"class_list":["post-14975","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>\u201cBatch\u201d ed \u201cOn line\u201d learning - 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=14975\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u201cBatch\u201d ed \u201cOn line\u201d learning - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"A cura di Pier Giuseppe Giribone I precedenti articoli hanno riguardato la classificazione degli algoritmi di Machine learning, suddivisi in funzione della tipologia di addestramento, con o senza la necessit\u00e0 di una supervisione umana. Tale criterio ha portato alla seguente distinzione: sistemi supervisionati, non supervisionati, semi-supervisionati e \u201cper rinforzo\u201d. Un&#8217;altra modalit\u00e0 di categorizzazione molto diffusa dipende dal sistema, qualora sia in grado di imparare incrementalmente al volo oppure no. Nel batch learning, il sistema \u00e8 incapace di imparare incrementalmente: questo deve essere infatti addestrato impiegando tutti i dati disponibili in quel momento. Questo procedimento di training richiede generalmente molto tempo macchina ed occupa intensivamente le risorse del computer, conseguentemente \u00e8 sviluppato tendenzialmente off-line. Il sistema quindi viene dapprima addestrato e poi messo in produzione, dove svolge la sua mansione senza la possibilit\u00e0 di apprendere concetti nuovi: limitandosi ad applicare ci\u00f2 che ha imparato durante la training phase. Un algoritmo che funziona in tale modalit\u00e0 \u00e8 caratterizzato da un offline learning. Conseguentemente, se si desidera addestrare con nuovi dati un sistema basato sul batch learning (ad esempio fargli riconoscere una nuova tipologia di spam, nel caso di un classificatore di mail), \u00e8 necessario riaddestrare una nuova versione del sistema operando da zero sull\u2019intero dataset (quindi non solo con i nuovi dati, ma anche con tutti i precedenti). Una volta terminata la fase di training, si rende necessario fermare il vecchio sistema in produzione e rimpiazzarlo con il nuovo. Fortunatamente, l\u2019intero processo di addestramento, comprensivo della verifica delle prestazioni e della messa in produzione, pu\u00f2 essere automatizzato abbastanza facilmente, quindi anche un sistema di Machine Learning, progettato in questo modo, pu\u00f2 adattarsi al cambiamento dell\u2019ambiente circostante. Richiede semplicemente l\u2019aggiornamento dei dati e si procede ad addestrare una nuova versione del sistema da zero ogni qualvolta lo si ritenga necessario. Questa soluzione \u00e8 semplice e spesso funzionale, ma l\u2019addestramento effettuato sul\u2019intero set di dati pu\u00f2 impiegare numerose ore di elaborazione. Tipicamente avviene durante fasi programmate&nbsp; in funzione del tempo di elaborazione, ad esempio ogni giorno nella notte, oppure settimanalmente nel weekend. Qualora il sistema necessitasse un adattamento ai nuovi dati pi\u00f9 rapido (ad esempio per il forecasting dei prezzi delle azioni), allora si rende necessaria la ricerca di una soluzione maggiormente reattiva. Si tenga presente che la fase di training sull\u2019intero set di dati richiede una quantit\u00e0 non trascurabile di risorse (CPU, memoria per il calcolo, spazio nel disco,\u2026) e se si dovesse processare un dataset di dimensioni significative per l\u2019addestramento partendo sempre da capo ogni giorno, la procedura verrebbe a costare una ingente somma di denaro. Se poi i dati dovessero superare una certa quantit\u00e0, volendo anche trascurare l\u2019aspetto economico, risulterebbe facilmente infattibile per la limitazione tecnologica-infrastrutturale della macchina ospitante l\u2019algoritmo. Infine, se il sistema \u00e8 progettato per imparare in autonomia e ha delle risorse limitate per farlo (ad esempio una app per smartphone) gestire una mole di training data non indifferente occupando quotidianamente e per ore risorse del dispositivo potrebbe risultare infattibile. Fortunatamente, una opzione pi\u00f9 ragionevole in tutte queste casistiche \u00e8 quella di adottare algoritmi in grado di imparare incrementalmente. Nell\u2019online learning, si addestra il sistema incrementalmente, alimentandolo con istanze sequenziali di dati: sia singolarmente, che in piccoli gruppi detti mini-batches. Ciascun passo di apprendimento \u00e8 veloce ed economico, in modo tale che il sistema risulta in grado di imparare dai nuovi dati al volo, non appena questi sono disponibili. L\u2019online learning risulta particolarmente adatto per tutti i sistemi che ricevono dati per mezzo di un flusso continuo (ad esempio le quotazioni real time dei prezzi delle azioni) e pertanto necessitano di un adattamento rapido ed autonomo al cambiamento. Questa \u00e8 anche una ottima opzione qualora si abbiano risorse limitate per l\u2019elaborazione numerica o lo storage di dati: una volta che l\u2019online learning system ha migliorato la sua conoscenza corrente imparando dalle nuove istanze, queste non servono pi\u00f9 a livello operativo e pertanto possono essere scartate (a meno che non si voglia contemplare la possibilit\u00e0 di tornare a uno stato precedente del sistema al fine di riprodurre i risultati ottenuti con il tipo di informazioni note al tempo dell\u2019elaborazione). Il tracking e la possibilit\u00e0 di riprodurre un risultato pu\u00f2 essere considerata una funzione fondamentale in un contesto bancario, ai fini dei controlli interni di secondo (risk management) e terzo livello (audit). Gli algoritmi basati sull\u2019online learning possono essere anche impiegati per addestrare sistemi su dataset di grandi dimensioni, che non possono essere processati in una sola volta dal computer a causa di vincoli di memoria. Questa modalit\u00e0 di addestramento viene definita out-of-core learning. L\u2019algoritmo carica in memoria un sottoinsieme di tutti i dati a disposizione per il training, viene addestrato solo su questi e viene iterato il procedimento sintanto che non siano esauriti i sottoraggruppamenti da processare. L\u2019out-of-core learning \u00e8 un tipo di apprendimento che viene fatto spesso offline, nel senso che non \u00e8 conveniente condurlo \u201clive\u201d sul sistema in produzione. Si tenga quindi presente che la terminologia online learning pu\u00f2 indurre ad una confusione terminologica. Per questa ragione, e al fine di non suscitare fraintendimenti, spesso l\u2019online learning lo si preferisce identificare con il termine incremental learning. Un parametro ritenuto di fondamentale importanza nella progettazione di un online learning system \u00e8 la velocit\u00e0 di adattamento al cambiamento dei dati: questa propriet\u00e0 \u00e8 definita tasso di apprendimento (learning rate). Se si imposta tale parametro ad un valore molto alto, il sistema si adatter\u00e0 molto velocemente ai nuovi dati, ma tender\u00e0 anche a scordare pi\u00f9 velocemente la conoscenza acquisita con i precedenti dati (non \u00e8 desiderabile per uno spam filter identificare solo i pi\u00f9 recenti espedienti di spam che gli sono stati mostrati nelle pi\u00f9 vicine fasi di training). Al contrario, se si imposta un tasso di apprendimento basso, il sistema sar\u00e0 dotato di maggiore inerzia, o meglio, imparer\u00e0 pi\u00f9 lentamente, ma sar\u00e0 caratterizzato da una minore sensibilit\u00e0 al rumore nei nuovi dati o a sequenze non rappresentative (outliers). Una grande sfida nella progettazione di algoritmi basati sull\u2019online learning \u00e8 quella derivante da una alimentazione in apprendimento con parecchi dati [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=14975\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2024-01-26T16:20:46+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-01-26T16:21:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg\" \/>\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\/jpeg\" \/>\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=14975#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"\u201cBatch\u201d ed \u201cOn line\u201d learning\",\"datePublished\":\"2024-01-26T16:20:46+00:00\",\"dateModified\":\"2024-01-26T16:21:37+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975\"},\"wordCount\":1182,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/News-07-Giribone.jpg\",\"articleSection\":[\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975\",\"name\":\"\u201cBatch\u201d ed \u201cOn line\u201d learning - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/News-07-Giribone.jpg\",\"datePublished\":\"2024-01-26T16:20:46+00:00\",\"dateModified\":\"2024-01-26T16:21:37+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/News-07-Giribone.jpg\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/News-07-Giribone.jpg\",\"width\":770,\"height\":400},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=14975#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u201cBatch\u201d ed \u201cOn line\u201d learning\"}]},{\"@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":"\u201cBatch\u201d ed \u201cOn line\u201d learning - 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=14975","og_locale":"en_US","og_type":"article","og_title":"\u201cBatch\u201d ed \u201cOn line\u201d learning - Scuola Italiana Antiriciclaggio","og_description":"A cura di Pier Giuseppe Giribone I precedenti articoli hanno riguardato la classificazione degli algoritmi di Machine learning, suddivisi in funzione della tipologia di addestramento, con o senza la necessit\u00e0 di una supervisione umana. Tale criterio ha portato alla seguente distinzione: sistemi supervisionati, non supervisionati, semi-supervisionati e \u201cper rinforzo\u201d. Un&#8217;altra modalit\u00e0 di categorizzazione molto diffusa dipende dal sistema, qualora sia in grado di imparare incrementalmente al volo oppure no. Nel batch learning, il sistema \u00e8 incapace di imparare incrementalmente: questo deve essere infatti addestrato impiegando tutti i dati disponibili in quel momento. Questo procedimento di training richiede generalmente molto tempo macchina ed occupa intensivamente le risorse del computer, conseguentemente \u00e8 sviluppato tendenzialmente off-line. Il sistema quindi viene dapprima addestrato e poi messo in produzione, dove svolge la sua mansione senza la possibilit\u00e0 di apprendere concetti nuovi: limitandosi ad applicare ci\u00f2 che ha imparato durante la training phase. Un algoritmo che funziona in tale modalit\u00e0 \u00e8 caratterizzato da un offline learning. Conseguentemente, se si desidera addestrare con nuovi dati un sistema basato sul batch learning (ad esempio fargli riconoscere una nuova tipologia di spam, nel caso di un classificatore di mail), \u00e8 necessario riaddestrare una nuova versione del sistema operando da zero sull\u2019intero dataset (quindi non solo con i nuovi dati, ma anche con tutti i precedenti). Una volta terminata la fase di training, si rende necessario fermare il vecchio sistema in produzione e rimpiazzarlo con il nuovo. Fortunatamente, l\u2019intero processo di addestramento, comprensivo della verifica delle prestazioni e della messa in produzione, pu\u00f2 essere automatizzato abbastanza facilmente, quindi anche un sistema di Machine Learning, progettato in questo modo, pu\u00f2 adattarsi al cambiamento dell\u2019ambiente circostante. Richiede semplicemente l\u2019aggiornamento dei dati e si procede ad addestrare una nuova versione del sistema da zero ogni qualvolta lo si ritenga necessario. Questa soluzione \u00e8 semplice e spesso funzionale, ma l\u2019addestramento effettuato sul\u2019intero set di dati pu\u00f2 impiegare numerose ore di elaborazione. Tipicamente avviene durante fasi programmate&nbsp; in funzione del tempo di elaborazione, ad esempio ogni giorno nella notte, oppure settimanalmente nel weekend. Qualora il sistema necessitasse un adattamento ai nuovi dati pi\u00f9 rapido (ad esempio per il forecasting dei prezzi delle azioni), allora si rende necessaria la ricerca di una soluzione maggiormente reattiva. Si tenga presente che la fase di training sull\u2019intero set di dati richiede una quantit\u00e0 non trascurabile di risorse (CPU, memoria per il calcolo, spazio nel disco,\u2026) e se si dovesse processare un dataset di dimensioni significative per l\u2019addestramento partendo sempre da capo ogni giorno, la procedura verrebbe a costare una ingente somma di denaro. Se poi i dati dovessero superare una certa quantit\u00e0, volendo anche trascurare l\u2019aspetto economico, risulterebbe facilmente infattibile per la limitazione tecnologica-infrastrutturale della macchina ospitante l\u2019algoritmo. Infine, se il sistema \u00e8 progettato per imparare in autonomia e ha delle risorse limitate per farlo (ad esempio una app per smartphone) gestire una mole di training data non indifferente occupando quotidianamente e per ore risorse del dispositivo potrebbe risultare infattibile. Fortunatamente, una opzione pi\u00f9 ragionevole in tutte queste casistiche \u00e8 quella di adottare algoritmi in grado di imparare incrementalmente. Nell\u2019online learning, si addestra il sistema incrementalmente, alimentandolo con istanze sequenziali di dati: sia singolarmente, che in piccoli gruppi detti mini-batches. Ciascun passo di apprendimento \u00e8 veloce ed economico, in modo tale che il sistema risulta in grado di imparare dai nuovi dati al volo, non appena questi sono disponibili. L\u2019online learning risulta particolarmente adatto per tutti i sistemi che ricevono dati per mezzo di un flusso continuo (ad esempio le quotazioni real time dei prezzi delle azioni) e pertanto necessitano di un adattamento rapido ed autonomo al cambiamento. Questa \u00e8 anche una ottima opzione qualora si abbiano risorse limitate per l\u2019elaborazione numerica o lo storage di dati: una volta che l\u2019online learning system ha migliorato la sua conoscenza corrente imparando dalle nuove istanze, queste non servono pi\u00f9 a livello operativo e pertanto possono essere scartate (a meno che non si voglia contemplare la possibilit\u00e0 di tornare a uno stato precedente del sistema al fine di riprodurre i risultati ottenuti con il tipo di informazioni note al tempo dell\u2019elaborazione). Il tracking e la possibilit\u00e0 di riprodurre un risultato pu\u00f2 essere considerata una funzione fondamentale in un contesto bancario, ai fini dei controlli interni di secondo (risk management) e terzo livello (audit). Gli algoritmi basati sull\u2019online learning possono essere anche impiegati per addestrare sistemi su dataset di grandi dimensioni, che non possono essere processati in una sola volta dal computer a causa di vincoli di memoria. Questa modalit\u00e0 di addestramento viene definita out-of-core learning. L\u2019algoritmo carica in memoria un sottoinsieme di tutti i dati a disposizione per il training, viene addestrato solo su questi e viene iterato il procedimento sintanto che non siano esauriti i sottoraggruppamenti da processare. L\u2019out-of-core learning \u00e8 un tipo di apprendimento che viene fatto spesso offline, nel senso che non \u00e8 conveniente condurlo \u201clive\u201d sul sistema in produzione. Si tenga quindi presente che la terminologia online learning pu\u00f2 indurre ad una confusione terminologica. Per questa ragione, e al fine di non suscitare fraintendimenti, spesso l\u2019online learning lo si preferisce identificare con il termine incremental learning. Un parametro ritenuto di fondamentale importanza nella progettazione di un online learning system \u00e8 la velocit\u00e0 di adattamento al cambiamento dei dati: questa propriet\u00e0 \u00e8 definita tasso di apprendimento (learning rate). Se si imposta tale parametro ad un valore molto alto, il sistema si adatter\u00e0 molto velocemente ai nuovi dati, ma tender\u00e0 anche a scordare pi\u00f9 velocemente la conoscenza acquisita con i precedenti dati (non \u00e8 desiderabile per uno spam filter identificare solo i pi\u00f9 recenti espedienti di spam che gli sono stati mostrati nelle pi\u00f9 vicine fasi di training). Al contrario, se si imposta un tasso di apprendimento basso, il sistema sar\u00e0 dotato di maggiore inerzia, o meglio, imparer\u00e0 pi\u00f9 lentamente, ma sar\u00e0 caratterizzato da una minore sensibilit\u00e0 al rumore nei nuovi dati o a sequenze non rappresentative (outliers). Una grande sfida nella progettazione di algoritmi basati sull\u2019online learning \u00e8 quella derivante da una alimentazione in apprendimento con parecchi dati [&hellip;]","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=14975","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2024-01-26T16:20:46+00:00","article_modified_time":"2024-01-26T16:21:37+00:00","og_image":[{"width":770,"height":400,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg","type":"image\/jpeg"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"\u201cBatch\u201d ed \u201cOn line\u201d learning","datePublished":"2024-01-26T16:20:46+00:00","dateModified":"2024-01-26T16:21:37+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975"},"wordCount":1182,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg","articleSection":["News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975","url":"https:\/\/antiriciclaggioerisk.com\/?p=14975","name":"\u201cBatch\u201d ed \u201cOn line\u201d learning - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg","datePublished":"2024-01-26T16:20:46+00:00","dateModified":"2024-01-26T16:21:37+00:00","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=14975"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/01\/News-07-Giribone.jpg","width":770,"height":400},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=14975#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"\u201cBatch\u201d ed \u201cOn line\u201d learning"}]},{"@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":535,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14975","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=14975"}],"version-history":[{"count":1,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14975\/revisions"}],"predecessor-version":[{"id":14977,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/14975\/revisions\/14977"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/14976"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=14975"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=14975"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=14975"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}