Machine learning: definizione e funzionamento nell’intelligenza artificiale
Il machine learning è la disciplina dell’intelligenza artificiale che permette a un sistema informatico di migliorare le proprie prestazioni analizzando dati ed esperienze pregresse, senza ricevere istruzioni esplicite per ogni singolo caso. In questa pagina machine learning indica l’apprendimento automatico nell’ambito dell’intelligenza artificiale, non altri significati estranei a questo settore.
In breve
- Cosa risolve: automatizza il riconoscimento di pattern nei dati per compiti troppo complessi da codificare con regole fisse.
- Quando si applica: quando sono disponibili dati sufficienti e rappresentativi del fenomeno da modellare.
- Condizioni e limiti: l’affidabilità del modello dipende dalla qualità e dalla quantità dei dati; dataset scarsi o sbilanciati producono previsioni poco accurate.
- Come verificare: si confrontano le previsioni del modello con dati di test mai utilizzati durante l’addestramento.
- Cosa fare: scegliere l’approccio — supervisionato, non supervisionato o per rinforzo — in base al tipo di dati disponibili e all’obiettivo da raggiungere.
Come funziona il machine learning
Nella programmazione tradizionale uno sviluppatore scrive regole fisse che il computer esegue su qualunque input. Nel machine learning il rapporto si inverte: al sistema vengono forniti i dati insieme ai risultati attesi, e un algoritmo ricava da solo la logica matematica che li collega, senza che nessuno la scriva riga per riga.
Le fasi del processo di addestramento
Un progetto di apprendimento automatico segue tre passaggi ricorrenti, indipendentemente dal tipo di algoritmo scelto.
- Raccolta e preparazione dei dati: si riuniscono esempi storici pertinenti al problema, come immagini, transazioni o testi, e si puliscono da errori o valori mancanti.
- Addestramento del modello: l’algoritmo elabora i dati ripetutamente, regolando i propri parametri interni per ridurre lo scarto tra le previsioni e i risultati reali.
- Valutazione e ottimizzazione: il modello viene testato su dati mai visti prima per verificarne l’accuratezza, poi eventualmente corretto o riaddestrato.
Algoritmo e modello: due concetti diversi
Un algoritmo è l’insieme di regole di calcolo applicate ai dati; un modello è il risultato concreto che si ottiene dopo che l’algoritmo ha completato l’addestramento su un dataset specifico. Prima dell’addestramento esiste solo l’algoritmo; dopo, esiste un modello utilizzabile per fare previsioni su casi nuovi.
Funzione di perdita e ottimizzazione
La funzione di perdita misura la distanza tra l’output prodotto dal modello e il valore corretto atteso, definito ground truth. L’addestramento consiste nel modificare i parametri del modello fino a ridurre al minimo questo scarto, tramite algoritmi di ottimizzazione che calcolano in quale direzione correggere ogni parametro a ogni iterazione.
Differenza tra intelligenza artificiale, machine learning e deep learning
L’IA, il machine learning e il deep learning non sono sinonimi ma tre livelli concentrici: l’intelligenza artificiale è la categoria più ampia, il machine learning è il metodo pratico con cui gran parte dell’IA viene realizzata oggi, e il deep learning è la tecnica più avanzata all’interno del machine learning.
| Livello | Cosa comprende | Esempio di tecnica |
|---|---|---|
| Intelligenza artificiale | Ogni sistema progettato per svolgere compiti che richiedono capacità tipicamente umane | Sistemi esperti, pianificazione automatica, machine learning |
| Machine learning | Sistemi che apprendono regole e modelli direttamente dai dati | Alberi decisionali, regressione, reti neurali semplici |
| Deep learning | Reti neurali profonde con molti strati, ispirate al funzionamento del cervello | Riconoscimento facciale, traduzione automatica, generazione del linguaggio |
In sintesi, ogni applicazione di deep learning è machine learning, e ogni applicazione di machine learning è intelligenza artificiale, ma il percorso inverso non è sempre vero: esistono sistemi di IA che non apprendono dai dati e non rientrano quindi nel machine learning.
Quali sono i tipi principali di machine learning
Gli approcci di apprendimento automatico si distinguono principalmente in base al tipo di dati disponibili e all’obiettivo da raggiungere: previsione su etichette note, scoperta di strutture nascoste o apprendimento tramite prova ed errore.
| Tipo | Dati richiesti | Obiettivo | Esempio applicativo |
|---|---|---|---|
| Supervisionato | Etichettati (input con output corretto noto) | Prevedere un output su nuovi dati | Classificazione delle email come spam |
| Non supervisionato | Non etichettati | Trovare pattern o raggruppamenti | Segmentazione della clientela |
| Per rinforzo | Segnali di ricompensa/penalità da un ambiente | Apprendere una sequenza di azioni ottimali | Guida autonoma, agenti di gioco |
| Semi-supervisionato | Pochi dati etichettati e molti non etichettati | Sfruttare dati parzialmente etichettati per ridurre i costi di etichettatura | Classificazione di grandi archivi documentali |
Se i dati sono etichettati: si applica l’apprendimento supervisionato
Quando ogni esempio del dataset è associato a un risultato corretto noto, il modello impara a minimizzare lo scarto tra le proprie previsioni e quel risultato. È il caso, ad esempio, di un filtro antispam addestrato su email già classificate come spam o non spam, o di un modello che prevede un prezzo a partire da dati storici etichettati con il valore reale.
Se i dati non sono etichettati: si applica l’apprendimento non supervisionato
Quando mancano etichette di riferimento, l’algoritmo analizza solo la struttura interna dei dati per individuare somiglianze e raggruppamenti, senza sapere in anticipo quale sia la risposta corretta. Questo approccio è utile per la segmentazione dei clienti o per individuare transazioni anomale che si discostano dal comportamento tipico.
Apprendimento per rinforzo: azioni e ricompense
In questo approccio il sistema non riceve esempi etichettati ma agisce in un ambiente, ricevendo un segnale positivo o negativo in base al risultato di ogni azione. Nel tempo l’algoritmo costruisce una strategia che massimizza la ricompensa complessiva, un meccanismo alla base di applicazioni come la guida autonoma e gli agenti che giocano a scacchi o videogiochi.
Apprendimento semi-supervisionato: la via intermedia
Quando etichettare l’intero dataset richiederebbe tempi e costi eccessivi, si utilizza una piccola porzione di dati etichettati per addestrare un primo modello, che poi assegna etichette provvisorie — dette pseudo-etichette — ai dati restanti. Il processo si ripete iterativamente, ampliando progressivamente il set di dati etichettati e affinando il modello.
Esempi e applicazioni quotidiane del machine learning
Il machine learning interviene in numerosi servizi digitali usati quotidianamente, spesso senza che l’utente ne percepisca la presenza diretta.
- Sistemi di raccomandazione: piattaforme di streaming ed e-commerce suggeriscono contenuti o prodotti analizzando la cronologia degli acquisti o delle visualizzazioni.
- Filtri antispam: i client di posta elettronica classificano automaticamente i messaggi in base a modelli addestrati su email etichettate.
- Riconoscimento vocale e assistenti virtuali: trascrivono il parlato e interpretano comandi grazie a modelli addestrati su grandi volumi di registrazioni.
- Rilevamento delle frodi: istituti finanziari individuano transazioni anomale in tempo reale confrontandole con i pattern tipici del cliente.
- Diagnosi assistita in ambito sanitario: modelli analizzano immagini mediche per segnalare anomalie non sempre evidenti a occhio nudo.
- Manutenzione predittiva: nei processi industriali i sensori alimentano modelli che anticipano guasti prima che si verifichino.
In tutti questi casi il funzionamento di base resta lo stesso: un modello addestrato su dati storici individua pattern ricorrenti e li applica a situazioni nuove, sostituendo o affiancando decisioni che in passato richiedevano regole scritte manualmente o l’intervento umano diretto.
Origini e terminologia tecnica del machine learning
Il termine machine learning fu coniato nel 1959 da Arthur Samuel, che distinse due approcci: reti capaci di apprendere in modo generale tramite ricompensa e punizione, e sistemi più specifici addestrati per compiti singoli. Da quel momento la disciplina si è sviluppata parallelamente all’intelligenza artificiale, alternando fasi di forte interesse a periodi di minore attenzione, fino alla crescita più recente legata alla disponibilità di grandi quantità di dati e a capacità di calcolo più economiche.
Il vocabolario tecnico del machine learning riprende concetti statistici con nomi propri, riassunti nel glossario seguente.
- Label
- Il risultato o categoria che il modello deve imparare a prevedere, chiamato variabile dipendente in statistica.
- Feature
- Ciascuna variabile di input usata dal modello per generare la previsione.
- Ground truth
- Il valore corretto di riferimento con cui si confronta l’output del modello durante l’addestramento e la valutazione.
- Backpropagation
- Algoritmo con cui una rete neurale propaga l’errore rilevato in output verso gli strati precedenti, per correggere i parametri interni.
- Clustering
- Tecnica non supervisionata che raggruppa elementi simili tra loro senza etichette predefinite.
Errori frequenti e casi limite nel machine learning
Alcuni problemi ricorrono indipendentemente dall’algoritmo scelto e compromettono l’affidabilità del modello se non vengono riconosciuti in fase di progettazione.
Overfitting: quando il modello impara troppo bene i dati sbagliati
Si parla di overfitting quando un modello si adatta in modo eccessivo ai dati di addestramento, comprese le loro imperfezioni, perdendo la capacità di generalizzare su casi nuovi. Un dataset di addestramento eccessivamente “pulito” o poco rappresentativo della realtà favorisce questo problema, mentre dati realistici, con la naturale variabilità dei casi reali, aiutano il modello a generalizzare meglio.
Dati sbilanciati o insufficienti
Se una categoria è molto meno rappresentata delle altre nel dataset, il modello tende a privilegiare la classe maggioritaria, riducendo l’accuratezza sui casi rari ma spesso più rilevanti, come le frodi o i guasti. In questi casi occorre bilanciare il dataset o adattare la metrica di valutazione prima di considerare affidabile il modello.
Assenza di una ground truth affidabile
Quando le etichette usate per l’addestramento sono esse stesse imprecise o incoerenti, nessun algoritmo, per quanto sofisticato, può produrre un modello accurato: la qualità del dato di partenza resta il limite superiore della qualità del risultato ottenibile.
Domande frequenti sul machine learning
Che cos’è il machine learning?
È il ramo dell’intelligenza artificiale che consente a un sistema di migliorare le proprie prestazioni analizzando dati ed esempi, senza che ogni regola venga scritta manualmente da un programmatore. Il sistema costruisce autonomamente un modello matematico a partire dai dati forniti.
Come funziona il machine learning?
Il processo raccoglie dati storici pertinenti, li usa per addestrare un algoritmo che regola i propri parametri interni riducendo lo scarto tra previsioni e risultati reali, e infine valuta il modello ottenuto su dati mai visti prima di utilizzarlo in produzione.
Quali sono i tre tipi principali di machine learning?
I tre approcci fondamentali sono l’apprendimento supervisionato, basato su dati etichettati; l’apprendimento non supervisionato, che cerca pattern in dati privi di etichette; e l’apprendimento per rinforzo, basato su ricompense e penalità legate alle azioni compiute.
Che differenza c’è tra intelligenza artificiale e machine learning?
L’intelligenza artificiale è la categoria generale di sistemi che simulano capacità umane, mentre il machine learning è il metodo specifico con cui molti di questi sistemi apprendono dai dati. Ogni modello di machine learning è intelligenza artificiale, ma non ogni sistema di IA usa il machine learning.
Che differenza c’è tra machine learning e deep learning?
Il deep learning è un sottoinsieme del machine learning che utilizza reti neurali profonde con molti strati, adatte a problemi complessi come il riconoscimento delle immagini o la generazione del linguaggio, mentre il machine learning comprende anche tecniche più semplici come alberi decisionali o regressioni.
Quali sono le fasi di un progetto di machine learning?
Le fasi principali sono la raccolta e preparazione dei dati, l’addestramento del modello sull’algoritmo scelto, e la valutazione dei risultati su dati indipendenti, seguita da un’eventuale ottimizzazione o riaddestramento del modello.
Quali sono i tipi di intelligenza artificiale?
Oltre alla distinzione basata sulle capacità del sistema, l’intelligenza artificiale si classifica anche in base alla tecnica utilizzata: sistemi a regole, sistemi basati su machine learning e, all’interno di questi ultimi, sistemi basati su deep learning, il livello più avanzato oggi disponibile.
Che tipo di intelligenza artificiale è alla base di un assistente conversazionale?
Gli assistenti conversazionali basati su testo si appoggiano tipicamente su modelli di deep learning addestrati su grandi quantità di testo, una categoria nota come modelli linguistici, che è un’applicazione specifica del machine learning applicata alla generazione del linguaggio.
