9 ottobre 2025
Scoprite come l'ensemble learning incrementa le prestazioni dei modelli di intelligenza artificiale grazie a tecniche come bagging, boosting e stacking per fornire previsioni più accurate e stabili.
Le innovazioni dell'intelligenza artificiale, come i motori di raccomandazione e i sistemi di rilevamento delle frodi, si basano su algoritmi e modelli di apprendimento automatico per fare previsioni e prendere decisioni basate sui dati. Questi modelli possono identificare schemi, prevedere tendenze e aiutare ad automatizzare attività complesse.
Tuttavia, un singolo modello può faticare a catturare tutti i dettagli dei dati del mondo reale. Potrebbe dare buoni risultati in alcuni casi, ma non in altri, come nel caso di un modello di rilevamento delle frodi che non riesce a cogliere nuovi tipi di transazioni.
Questa limitazione è un problema che gli ingegneri dell'intelligenza artificiale devono spesso affrontare quando costruiscono e distribuiscono modelli di apprendimento automatico. Alcuni modelli si adattano troppo ai dati di addestramento, mentre altri si adattano troppo poco, perdendo modelli importanti. L 'apprendimento in gruppo è una tecnica di IA che aiuta ad affrontare queste sfide combinando più modelli, noti come apprenditori di base, in un unico sistema più potente.
Si può pensare a un team di esperti che lavorano insieme per risolvere un problema. In questo articolo esploreremo cos'è l'apprendimento collettivo, come funziona e dove può essere utilizzato. Iniziamo!
L'apprendimento in gruppo si riferisce a un insieme di tecniche che combinano più modelli per risolvere lo stesso problema e produrre un unico risultato migliore. Può essere applicato sia all'apprendimento supervisionato (in cui i modelli imparano da dati etichettati) sia all'apprendimento non supervisionato (in cui i modelli trovano modelli in dati non etichettati).
Invece di affidarsi a un solo modello per fare previsioni, un ensemble utilizza diversi modelli che esaminano i dati ciascuno a modo proprio. Quando i loro risultati vengono combinati, il risultato è spesso più accurato, stabile e generalizzabile di quello che un singolo modello potrebbe ottenere da solo.
Si può fare un confronto con un gruppo di analisti che affrontano lo stesso problema. Ogni analista o singolo modello interpreta i dati in modo diverso.
Uno può concentrarsi sui modelli, un altro sulle anomalie e un altro ancora sul contesto. Mettendo insieme le loro prospettive, il gruppo può prendere una decisione più equilibrata e affidabile di qualsiasi giudizio individuale.
Questo approccio aiuta anche a risolvere due delle maggiori sfide dell'apprendimento automatico: il bias e la varianza. Un modello con un'elevata polarizzazione è troppo semplice e trascura modelli importanti, mentre uno con un'elevata varianza è troppo sensibile e si adatta troppo strettamente ai dati di addestramento. Combinando i modelli, l'ensemble learning trova un equilibrio tra questi due aspetti, migliorando le prestazioni del sistema su dati nuovi e non visti.
Ogni modello di un ensemble è noto come base learner o modello di base. Questi possono essere lo stesso tipo di algoritmo o un mix di algoritmi diversi, a seconda della tecnica di ensemble utilizzata.
Ecco alcuni esempi comuni dei diversi modelli utilizzati nell'apprendimento collettivo:
Un ensemble di modelli combinati è generalmente chiamato strong learner perché integra i punti di forza degli apprendenti di base (chiamati anche modelli deboli) minimizzando le loro debolezze. Lo fa combinando le previsioni di ciascun modello in modo strutturato, utilizzando la votazione a maggioranza per i compiti di classificazione o la media ponderata per i compiti di regressione per produrre un risultato finale più accurato.
Prima di immergerci nelle varie tecniche di apprendimento collettivo, facciamo un passo indietro e capiamo quando questo tipo di approccio dovrebbe essere utilizzato in un progetto di apprendimento automatico o di IA.
L'apprendimento collettivo ha un impatto maggiore quando un singolo modello fatica a fare previsioni accurate o coerenti. Può essere utilizzato anche in situazioni in cui i dati sono complessi, rumorosi o imprevedibili.
Ecco alcuni casi comuni in cui i metodi di assemblaggio sono particolarmente efficaci:
È anche più semplice da addestrare, più facile da interpretare e più veloce da mantenere. Prima di utilizzare un ensemble, è importante soppesare il vantaggio di una maggiore accuratezza rispetto al tempo, alla potenza di calcolo e alla complessità aggiuntivi che richiede.
Vediamo quindi i modi principali in cui l'apprendimento collettivo può essere applicato nei progetti di apprendimento automatico. Esistono diverse tecniche di base utilizzate per combinare i modelli, ognuna delle quali migliora le prestazioni a modo suo. I metodi di ensemble più comuni sono bagging, boosting, stacking e blending.
Il bagging, abbreviazione di bootstrap aggregating, è un metodo di apprendimento d'insieme che aiuta a migliorare la stabilità e l'accuratezza del modello addestrando più versioni dello stesso modello su parti diverse dei dati.
Ogni sottoinsieme viene creato utilizzando un processo chiamato campionamento bootstrap, in cui i punti di dati vengono selezionati in modo casuale con sostituzione. Ciò significa che dopo aver scelto un punto di dati, questo viene rimesso nel pool prima che venga scelto il successivo, quindi lo stesso punto può comparire più di una volta, mentre altri potrebbero essere esclusi. Questa casualità garantisce che ogni modello si addestri su una versione leggermente diversa del set di dati.
Durante l'inferenza, tutti i modelli addestrati vengono eseguiti in parallelo per fare previsioni su nuovi dati non visti. Ogni modello produce il proprio output in base a ciò che ha appreso, e queste previsioni individuali vengono poi combinate per formare il risultato finale.
Per i compiti di regressione, come la previsione dei prezzi delle case o delle vendite, questo significa di solito fare la media dei risultati di tutti i modelli per ottenere una stima più uniforme. Per i compiti di classificazione, come l'identificazione di una transazione fraudolenta o meno, l'ensemble spesso vota a maggioranza per decidere la classe finale.
Un buon esempio di come il bagging funzioni bene è quello degli alberi decisionali, che possono facilmente andare in overfit quando vengono addestrati su un singolo set di dati. Addestrando molti alberi su campioni leggermente diversi e combinando i loro risultati, il bagging riduce l'overfitting e migliora l'affidabilità.
Consideriamo l'algoritmo Random Forest. Si tratta di un insieme di alberi decisionali, in cui ogni albero viene addestrato su un sottoinsieme casuale del set di dati di addestramento e su un sottoinsieme casuale di caratteristiche.
La casualità delle caratteristiche aiuta a garantire che gli alberi siano meno correlati e che il modello complessivo sia più stabile e accurato. L'algoritmo Random Forest può essere utilizzato per classificare immagini, rilevare frodi, prevedere l'abbandono dei clienti, prevedere le vendite o stimare i prezzi degli immobili.
Il boosting è un'altra tecnica di apprendimento collettivo che si concentra sul miglioramento degli apprendenti deboli (modelli) addestrandoli in sequenza, uno dopo l'altro, invece che in parallelo. Il concetto centrale del boosting è che ogni nuovo modello impara dagli errori dei precedenti, migliorando gradualmente le prestazioni complessive del modello.
A differenza del bagging, che riduce la varianza facendo la media di modelli indipendenti, il boosting riduce la distorsione facendo sì che ogni nuovo modello presti maggiore attenzione ai casi difficili che i modelli precedenti hanno affrontato con difficoltà.
Poiché i modelli boosting vengono addestrati in sequenza, il modo in cui le loro previsioni vengono combinate alla fine differisce leggermente da altri metodi ensemble. Ogni modello contribuisce alla previsione finale in proporzione alle sue prestazioni durante l'addestramento, con i modelli più accurati che ricevono un peso maggiore.
Per i compiti di regressione, il risultato finale è solitamente una somma ponderata di tutte le previsioni dei modelli. Per i compiti di classificazione, l'algoritmo combina i voti ponderati dei modelli per decidere la classe finale. Questo approccio aiuta il boosting a creare un modello complessivo forte, dando più peso ai modelli più accurati e continuando a imparare dagli altri.
Ecco alcuni tipi comuni di algoritmi di boosting:
L'impilamento, chiamato anche generalizzazione impilata, fa un ulteriore passo avanti utilizzando le previsioni di diversi modelli come input per un modello finale noto come meta-apprendista. È come avere un gruppo di esperti che condividono la loro opinione, e poi un decisore finale impara a soppesare queste opinioni per prendere la migliore decisione possibile.
Ad esempio, un modello potrebbe essere ottimo per individuare le frodi, mentre un altro è più adatto a prevedere il tasso di abbandono dei clienti. Il meta-apprendista studia le prestazioni di ciascuno e utilizza i loro punti di forza per ottenere una previsione finale più accurata.
Il blending funziona in modo simile allo stacking, poiché combina le previsioni di diversi modelli per prendere una decisione finale, ma adotta un approccio più semplice e veloce. Invece di usare la convalida incrociata (un metodo che divide i dati in più parti e li fa ruotare tra l'addestramento e il test per rendere il modello più affidabile), come fa lo stacking, il blending mette da parte una piccola porzione di dati, chiamata holdout set.
I modelli di base vengono addestrati sui dati rimanenti e poi fanno previsioni sull'insieme di dati in sospeso, che non hanno mai visto prima. In questo modo si ottengono due informazioni fondamentali: le risposte effettive, o etichette vere, e le previsioni fatte da ciascun modello di base.
Queste previsioni vengono poi passate a un altro modello, chiamato modello di fusione o metamodello. Questo modello finale studia l'accuratezza delle previsioni di ciascun modello di base e impara a combinarle nel miglior modo possibile.
Poiché il blending si basa su un'unica divisione di treno e test, invece di ripetere il processo più volte, è più veloce e più facile da configurare. Il compromesso è che dispone di un numero leggermente inferiore di informazioni da cui apprendere, il che può renderlo un po' meno preciso.
Una parte importante dell'apprendimento collettivo è la valutazione delle prestazioni di un modello su dati che non ha mai visto prima. Indipendentemente da quanto sia avanzata una tecnica, è necessario testarla per assicurarsi che sia in grado di generalizzare, ossia che faccia previsioni accurate su nuovi esempi del mondo reale, anziché limitarsi a memorizzare i dati di addestramento.
Ecco alcune metriche di performance comuni utilizzate per valutare i modelli di IA:
Finora abbiamo esplorato il funzionamento e le tecniche dell'apprendimento collettivo. Ora vediamo dove questo approccio sta avendo un impatto.
Ecco alcune aree chiave in cui l'apprendimento collettivo viene comunemente applicato:
Sebbene l'apprendimento collettivo sia più comunemente utilizzato con dati strutturati o tabellari, come i fogli di calcolo contenenti informazioni numeriche o categoriche, può essere applicato anche a dati non strutturati come testo, immagini, audio e video.
Questi tipi di dati sono più complessi e più difficili da interpretare per i modelli, ma i metodi di ensemble aiutano a migliorare l'accuratezza e l'affidabilità. Ad esempio, nella computer vision, gli ensemble possono migliorare compiti come la classificazione delle immagini e il rilevamento degli oggetti.
Combinando le previsioni di più modelli di visione, come le reti neurali convoluzionali (CNN), il sistema può riconoscere gli oggetti con maggiore precisione e gestire le variazioni di illuminazione, angolazione o sfondo che potrebbero confondere un singolo modello.
Un esempio interessante di utilizzo dell'ensemble learning nella computer vision si ha quando un ingegnere combina più modelli di rilevamento degli oggetti per migliorare la precisione. Immaginiamo che un ingegnere stia lavorando a un sistema di monitoraggio della sicurezza per un cantiere, dove l'illuminazione, gli angoli e le dimensioni degli oggetti cambiano continuamente.
Un singolo modello potrebbe non notare un lavoratore nell'ombra o confondere un macchinario in movimento. Utilizzando un insieme di modelli, ciascuno con punti di forza diversi, il sistema diventa più affidabile e ha meno probabilità di commettere questi errori.
In particolare, i modelli come Ultralytics YOLOv5 vanno di pari passo con l'ensembling dei modelli. Gli ingegneri possono combinare diverse varianti di YOLOv5, come YOLOv5x e YOLOv5l6, per fare previsioni insieme. Ogni modello analizza la stessa immagine e produce i propri rilevamenti, che vengono poi mediati per generare un risultato finale più forte e accurato.
Ecco alcuni vantaggi principali dell'utilizzo dell'apprendimento collettivo:
Se da un lato l'apprendimento collettivo porta diversi vantaggi, dall'altro ci sono anche alcune sfide da considerare. Ecco alcuni fattori da tenere a mente:
L'apprendimento in ensemble mostra come la combinazione di più modelli possa rendere i sistemi di intelligenza artificiale più precisi e affidabili. Aiuta a ridurre gli errori e a migliorare le prestazioni in diversi tipi di attività. Con la continua crescita dell'apprendimento automatico e dell'IA, tecniche come questa favoriscono un'adozione più ampia e soluzioni di IA più pratiche e performanti.
Unitevi alla nostra comunità in crescita e al repository GitHub per saperne di più sulla Vision AI. Esplorate le nostre pagine dedicate alle soluzioni per conoscere le applicazioni della computer vision in agricoltura e dell' IA nella logistica. Scoprite le nostre opzioni di licenza per iniziare a creare il vostro modello di computer vision oggi stesso!
