I paradigmi del ML
Il machine learning è la branca dell'AI in cui i sistemi apprendono dai dati senza essere esplicitamente programmati per ogni caso. Si distinguono tre paradigmi fondamentali in base al tipo di supervisione durante l'addestramento:
Punti chiave
- Il supervisionato apprende da coppie (input, output atteso): è la scelta quando hai dati etichettati e vuoi predire categorie o valori.
- Il non supervisionato scopre strutture nascoste (cluster, componenti principali) senza etichette predefinite.
- Classificazione e regressione sono i due task supervisionati cardine; clustering e PCA quelli non supervisionati più diffusi.
- Il Reinforcement Learning apprende per tentativi tramite ricompense ed è alla base dell'allineamento dei LLM (RLHF).
- La scelta dell'approccio dipende dal problema e dai dati disponibili, non dalla complessità dell'algoritmo.
I tre paradigmi
Supervisionato: il modello apprende da coppie (input, output atteso). Obiettivo: predire l'output per nuovi input.
Non supervisionato: il modello riceve solo input, senza etichette. Obiettivo: scoprire strutture e pattern nascosti.
Reinforcement Learning: un agente apprende interagendo con un ambiente, ricevendo ricompense o penalità.
In pratica, il confine tra i paradigmi si sta sfumando: il self-supervised learning (usato per pre-addestrare i LLM) crea automaticamente le etichette dal testo stesso (es. predire la parola mascherata), combinando aspetti supervisionati e non supervisionati.
Classificazione
La classificazione è il task supervisionato più comune: assegnare un'etichetta categorica (classe) a un input. Il modello apprende da un dataset in cui ogni campione ha un'etichetta nota e, una volta addestrato, generalizza la decisione a dati mai visti.
Esempi pratici:
- Email: spam o non spam (classificazione binaria)
- Immagine: gatto, cane, uccello (classificazione multiclasse)
- Testo di recensione: positivo, negativo, neutro (sentiment analysis)
- Transazione bancaria: legittima o fraudolenta
Gli algoritmi di classificazione principali includono Logistic Regression, Decision Tree, Random Forest, SVM e KNN. Le reti neurali dominano per task complessi (immagini, testo). La valutazione avviene attraverso la matrice di confusione e le metriche derivate (accuracy, precision, recall, F1).
Regressione
La regressione predice un valore numerico continuo (non una categoria). Il modello apprende la relazione funzionale tra le feature di input e il target numerico. Nel marketing è il motore di previsioni come stima delle vendite, del valore del cliente (CLV) o del costo per acquisizione al variare del budget.
| Algoritmo | Complessità | Uso tipico |
|---|---|---|
| Regressione lineare | Bassa | Relazioni lineari semplici, baseline |
| Regressione polinomiale | Media | Relazioni non lineari note |
| Random Forest Regressor | Alta | Relazioni complesse, feature interaction |
| Gradient Boosting (XGBoost) | Alta | Competizioni ML, massima accuracy |
| Reti neurali | Molto alta | Big data, relazioni molto complesse |
Metriche di valutazione: MAE (Mean Absolute Error), MSE (Mean Squared Error), RMSE e R-squared. A differenza della classificazione, non esiste una "matrice di confusione" per la regressione — si misura direttamente la distanza tra valore predetto e valore reale.
Clustering: K-means e DBSCAN
Il clustering è il task non supervisionato più diffuso: raggruppare dati simili in cluster senza etichette predefinite. Il modello scopre le strutture naturali nei dati.
K-means è l'algoritmo più semplice e popolare:
- Si scelgono K centroidi iniziali (casualmente o con k-means++).
- Ogni punto viene assegnato al centroide più vicino.
- I centroidi vengono ricalcolati come media dei punti assegnati.
- Si ripete finché i centroidi si stabilizzano.
Limite: richiede di specificare K in anticipo e assume cluster sferici di dimensione simile. Per stimare un K ragionevole si usano l'elbow method (gomito sulla curva dell'inerzia) o il silhouette score, che misura quanto i punti sono coesi nel proprio cluster e separati dagli altri.
DBSCAN (Density-Based Spatial Clustering) risolve questi limiti: trova cluster di forma arbitraria basandosi sulla densità dei punti e identifica automaticamente outlier e rumore. Non richiede di specificare il numero di cluster, ma ha due parametri: epsilon (raggio di vicinanza) e min_samples (minimo di punti per formare un cluster).
Nel marketing, il clustering è usato per la segmentazione dei clienti: raggruppa automaticamente utenti con comportamenti simili (RFM analysis), permettendo campagne personalizzate senza definire i segmenti manualmente.
PCA e riduzione dimensionale
La PCA (Principal Component Analysis) è la tecnica di riduzione dimensionale più usata. Trasforma un dataset con molte feature in un nuovo spazio con meno dimensioni, preservando la massima varianza possibile.
Applicazioni pratiche:
- Visualizzazione: ridurre dati ad alta dimensionalità a 2-3 dimensioni per grafici interpretabili.
- Preprocessing: ridurre il rumore e la ridondanza prima di applicare altri algoritmi.
- Compressione: ridurre lo storage necessario mantenendo l'informazione essenziale.
- Decorrelazione: le componenti principali sono ortogonali, eliminando la multicollinearità.
Alternative moderne: t-SNE e UMAP per visualizzazione (preservano meglio le strutture locali), autoencoders per riduzione non lineare.
Cenni di Reinforcement Learning
Il Reinforcement Learning (RL) è il terzo paradigma: un agente interagisce con un ambiente, compie azioni e riceve ricompense (reward). L'obiettivo è apprendere una politica (policy) che massimizzi la ricompensa cumulativa nel tempo.
Concetti chiave: stato (osservazione dell'ambiente), azione (scelta dell'agente), reward (feedback numerico), policy (strategia decisionale). Algoritmi noti: Q-learning, Deep Q-Network (DQN), PPO (Proximal Policy Optimization).
Il RL è fondamentale nell'AI moderna: RLHF (Reinforcement Learning from Human Feedback) è la tecnica usata per allineare i LLM alle preferenze umane, trasformando un modello pre-addestrato in un assistente utile e sicuro. È anche alla base dei successi di AlphaGo, della robotica avanzata e dei sistemi di raccomandazione.
Come scegliere l'approccio
| Hai etichette? | Obiettivo | Approccio |
|---|---|---|
| Sì | Predire una categoria | Classificazione supervisionata |
| Sì | Predire un numero | Regressione supervisionata |
| No | Trovare gruppi naturali | Clustering |
| No | Ridurre le dimensioni | PCA / riduzione dimensionale |
| No (ma hai un ambiente) | Ottimizzare una strategia | Reinforcement Learning |
La scelta dell'approccio dipende dal problema e dai dati disponibili, non dalla complessità dell'algoritmo. Un modello semplice e ben calibrato batte quasi sempre un modello complesso applicato al problema sbagliato. Per evitare gli errori più comuni, consulta Errori Comuni nell'AI e Overfitting e Underfitting.
Vuoi imparare ad applicarlo davvero?
Scopri i corsi e la formazione di Federico Boggia su AI, dati e digitale.