Machine Learning (ML)

L'apprendimento automatico (ML) è il ramo dell'intelligenza artificiale (AI) in cui i sistemi informatici apprendono schemi dai dati invece di seguire regole scritte da un programmatore. A un filtro antispam creato con ML non viene mai indicato quali parole segnalino spam: analizza migliaia di email etichettate come spam o non spam, apprende autonomamente gli schemi e poi li applica ai nuovi messaggi. Arthur Samuel coniò il termine nel 1959 mentre creava un programma di dama che migliorava giocando contro sé stesso; in seguito, Tom Mitchell fornì una definizione molto citata: un programma apprende quando le sue prestazioni in un'attività, misurate con una metrica, migliorano grazie all'esperienza.

Come funziona l'apprendimento automatico#

Un modello di ML è una funzione con parametri regolabili, dai pochi coefficienti di una regressione lineare ai milioni di pesi di una rete neurale. L'addestramento cerca i valori dei parametri che rendono il più accurate possibile le predizioni del modello sui dati di addestramento, di solito minimizzando una funzione di perdita. La vera prova è la capacità di generalizzazione: il modello viene quindi valutato su dati di validazione e dati di test che non ha mai visto durante l'addestramento. Un modello che ottiene buoni risultati sui dati di addestramento ma scarsi sui nuovi dati è in overfitting: memorizza gli esempi invece di apprendere lo schema sottostante.

Questo esempio di scikit-learn addestra una foresta casuale a riconoscere cifre scritte a mano e la valuta su cifre escluse dall'addestramento:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Il modello raggiunge un'accuratezza del 97,6% sulle 450 cifre di test, usando solo gli schemi appresi dagli altri 1.347 esempi etichettati.

Tipi di apprendimento automatico#

• Apprendimento supervisionato: apprende da esempi etichettati, in cui ogni input è abbinato all'output corretto. Classificazione, regressione e rilevamento di oggetti sono attività supervisionate.
• Apprendimento non supervisionato: individua strutture nei dati non etichettati, come i segmenti di clientela identificati dal clustering k-means.
• Apprendimento auto-supervisionato: crea le proprie etichette dai dati, per esempio prevedendo la parola successiva di una frase o una porzione nascosta di un'immagine. È il metodo usato per preaddestrare i modelli linguistici di grandi dimensioni (LLM) e altri modelli fondazionali.
• Apprendimento per rinforzo: un agente apprende per tentativi ed errori, eseguendo azioni in un ambiente e adattando il proprio comportamento per massimizzare una ricompensa.

Apprendimento automatico, AI, deep learning e scienza dei dati#

L'apprendimento automatico si colloca tra l'AI, l'obiettivo generale di creare macchine intelligenti, e il deep learning (DL), un sottoinsieme dell'ML che usa reti neurali con molti strati e apprende autonomamente le caratteristiche dai dati grezzi:

Gli algoritmi classici come le foreste casuali e XGBoost restano efficaci sui dati tabellari, in cui ogni colonna, come prezzo o età, è già una caratteristica significativa. La scienza dei dati è una disciplina affine che usa l'ML come uno strumento tra molti, insieme a statistica, visualizzazione dei dati e analisi di dominio, per rispondere a domande basate sui dati.

Il ciclo di vita dell'apprendimento automatico#

Un modello in produzione non è mai finito. I team raccolgono ed etichettano i dati, addestrano e convalidano un modello, lo distribuiscono e ne monitorano le predizioni, tornando ai dati ogni volta che l'accuratezza è insufficiente o il mondo reale cambia. Questo ciclo è oggetto delle operazioni di apprendimento automatico (MLOps):

Per la visione artificiale, la piattaforma Ultralytics gestisce l'intero ciclo in un unico ambiente: i team caricano e annotano i dataset, addestrano i modelli Ultralytics YOLO26 su GPU cloud, li distribuiscono e ne monitorano le prestazioni in produzione.

Applicazioni nel mondo reale#

• Visione artificiale: i modelli rilevano difetti sulle linee di produzione, leggono scansioni mediche e guidano veicoli autonomi.
• Elaborazione del linguaggio naturale (NLP): traduzione, ricerca, chatbot e filtri antispam si basano tutti su modelli addestrati su testi.
• Sistemi di raccomandazione: le piattaforme di streaming e di e-commerce ordinano i contenuti per ciascun utente in base al comportamento passato.
• Previsione delle serie temporali: i modelli prevedono la domanda di prodotti, il carico energetico e i guasti delle apparecchiature a partire dai dati storici.
• Rilevamento delle anomalie: le banche assegnano in pochi millisecondi un punteggio a ogni transazione con carta usando modelli addestrati su frodi passate e segnalano quelle insolite.