Przejdź do treści
promptowy.com / Glossario IA / Machine learning (apprendimento automatico)
Basi

Machine learning (apprendimento automatico)

Il machine learning è il ramo dell'intelligenza artificiale in cui i computer imparano a riconoscere schemi dai dati senza seguire solo regole fisse.

Il machine learning, o apprendimento automatico in italiano, è una branca dell'intelligenza artificiale in cui un software impara a svolgere un compito analizzando esempi e dati storici, invece di limitarsi a eseguire istruzioni scritte riga per riga da un programmatore.

Nel software tradizionale, una persona stabilisce in anticipo ogni singolo passaggio logico attraverso condizioni fisse del tipo «se accade questo, allora fai quello». Nel machine learning, invece, l'algoritmo esamina una grande quantità di informazioni passate, individua relazioni ricorrenti e calcola probabilità per prendere decisioni o formulare stime su situazioni nuove che non ha mai visto prima.

Un esempio concreto: la gestione degli ordini in un forno

Immaginiamo una panetteria artigianale a Bologna che ogni sera deve decidere quante teglie di focaccia e quanti filoni sfornare per il giorno seguente. Produrre troppo significa buttare via cibo e denaro, mentre produrre poco delude i clienti abituali.

Con un approccio tradizionale, il fornaio potrebbe usare una semplice regola mentale: «il sabato preparo il venti per cento in più». Questa regola è comoda, ma rigida. Un modello di machine learning, invece, può analizzare lo storico delle vendite dell'ultimo anno, incrociando il giorno della settimana con le previsioni meteo serali, le partite di calcio allo stadio cittadino o i ponti festivi.

Se i dati mostrano che durante i sabati di pioggia intensa le persone tendono a restare a casa riducendo gli acquisti del mattino, il modello può correggere la stima verso il basso. Tuttavia, il sistema non possiede buon senso: se domani via Saragozza viene chiusa improvvisamente per lavori alla rete fognaria e questa informazione non è presente nel database, il modello non potrà prevedere il calo dei passanti.

I tre approcci principali all'apprendimento

Esistono diversi modi per addestrare un algoritmo, a seconda dei dati a disposizione e del risultato desiderato:

  • Apprendimento supervisionato: al modello vengono forniti esempi completi di input e di risposta corretta. Se vogliamo prevedere il numero esatto di scontrini parliamo di regressione, mentre se vogliamo catalogare i messaggi dei clienti tra «richiesta di prenotazione» e «reclamo per ritardo» parliamo di classificazione.
  • Apprendimento non supervisionato: il sistema riceve dati senza etichette predefinite. Il suo scopo è trovare strutture nascoste o raggruppare elementi simili, come individuare cluster di clienti con abitudini di spesa affini senza che nessuno abbia definito i gruppi in anticipo.
  • Apprendimento per rinforzo: un agente virtuale impara compiendo azioni all'interno di un ambiente e ricevendo premi o penalità in base all'esito. È il metodo impiegato per insegnare ai sistemi a giocare a scacchi, ottimizzare percorsi di consegna complessi o gestire magazzini robotizzati.

Come testare un modello in modo affidabile

Prima di affidare una decisione aziendale a un algoritmo predittivo, è fondamentale impostare una verifica rigorosa attraverso passaggi precisi:

  1. Rispettare il momento della decisione: l'algoritmo deve lavorare solo con le informazioni note nel momento esatto in cui serve la stima. Se il piano di produzione si decide alle venti, il modello deve usare il meteo previsto per l'indomani, non il meteo reale registrato a posteriori.
  2. Comprendere il significato reale dei dati: se il registro di cassa segna trecento focacce vendute, non significa per forza che la domanda fosse di trecento pezzi. Se il banco è rimasto vuoto già alle undici del mattino, la domanda reale era probabilmente superiore. Senza tracciare i momenti di esaurimento scorte, il modello sottostimerà la richiesta.
  3. Separare i dati nel tempo: per testare il modello non bisogna mescolare a caso i giorni del calendario. La prassi corretta consiste nell'addestrare il sistema sui mesi passati e verificare le sue risposte sui mesi successivi, simulando la vera sequenza temporale del lavoro.
  4. Confrontare il modello con una regola semplice: un algoritmo complesso ha senso solo se batte un punto di riferimento elementare, come la media delle ultime tre settimane. Se il modello fa errori simili a una stima banale, conviene mantenere la regola semplice, più economica e trasparente.

Un errore comune: confondere machine learning e intelligenza artificiale

Spesso i due termini vengono usati come sinonimi, ma l'intelligenza artificiale è il contenitore generale, mentre il machine learning è soltanto una delle sue tecniche. All'interno del machine learning si trovano poi le reti neurali e i sistemi di deep learning. Non ogni problema necessita di enormi modelli o schede grafiche potenti: per molte attività di previsione aziendale, metodi matematici più leggeri come gli alberi decisionali o le regressioni offrono risultati migliori, più veloci da addestrare e molto più facili da interpretare.

Domande frequenti

Qual è la differenza tra machine learning e programmazione tradizionale?

Nella programmazione tradizionale le istruzioni e le regole sono scritte a mano dallo sviluppatore. Nel machine learning il programma riceve dati storici ed elabora da solo le relazioni statistiche per risolvere il problema.

Che differenza c'è tra intelligenza artificiale e machine learning?

L'intelligenza artificiale comprende qualsiasi tecnologia capace di simulare capacità umane, incluse regole logiche rigide. Il machine learning è il sottoinsieme dell'AI basato sull'apprendimento da grandi volumi di dati.

Quali sono i tre tipi principali di machine learning?

Si dividono in apprendimento supervisionato (guidato da dati già etichettati), non supervisionato (ricerca autonoma di schemi e gruppi) e per rinforzo (ottimizzazione tramite ricompense e penalità).

Serve sempre il machine learning per risolvere un problema aziendale?

No, se una formula matematica o una regola pratica ben definita offrono già un risultato affidabile e facile da gestire, non serve introdurre algoritmi complessi che richiedono molti dati e manutenzione continua.

← Tutti i termini del Glossario IA

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›