Come funziona il machine learning? Spiegato semplice

L'idea centrale: schemi appresi, non regole fisse

Il software tradizionale segue regole scritte dalle persone: «Se l'importo supera 10'000 CHF, segnala il pagamento». Funziona finché ogni caso rientra ordinatamente in tali regole se-allora. Per compiti complessi come capire il linguaggio, riconoscere immagini o prevedere la domanda, l'elenco di regole diventa presto ingestibile.

Il machine learning ribalta la logica: invece di fornire regole, si mostrano al sistema molti esempi e lo si lascia dedurre da solo gli schemi sottostanti. Da migliaia di pagamenti segnalati e non, un modello inferisce autonomamente cosa appare sospetto. Il risultato non è un programma rigido, ma un modello statistico basato su probabilità.

Training e inferenza: le due fasi di ogni modello

Ogni progetto ML attraversa due fasi nettamente separate. Il training è intensivo in calcolo e avviene una volta o periodicamente; l'inferenza poi viene eseguita moltissime volte e rapidamente. Questa distinzione spiega anche la struttura dei costi: il training costa molto calcolo in anticipo, l'inferenza costa per richiesta.

• Training: il modello vede i dati di esempio e regola gradualmente i suoi parametri interni per ridurre gli errori. Il risultato è un modello finito e salvato.
• Inferenza: il modello addestrato riceve dati nuovi e mai visti e restituisce una previsione, senza continuare ad apprendere.
• Validazione: tra le due fasi si verifica il modello su dati di test tenuti da parte, per capire se generalizza davvero invece di limitarsi a memorizzare.

I tre tipi di apprendimento in sintesi

• Apprendimento supervisionato: i dati di training sono etichettati con la risposta corretta. Esempio: email marcate come «spam» o «non spam». Ideale per classificazione e previsione di valori concreti.
• Apprendimento non supervisionato: i dati non hanno etichette. Il modello trova da solo delle strutture, come segmenti di clienti o anomalie. Ideale per raggruppamento (clustering) e rilevamento di anomalie.
• Apprendimento per rinforzo: un agente impara per tentativi tramite ricompensa e penalità, per esempio in robotica o nei giochi. Meno diffuso nell'uso quotidiano ma importante per decisioni sequenziali.
• Forme ibride come l'apprendimento semi-supervisionato e auto-supervisionato combinano poche etichette con molti dati non etichettati, alla base dei moderni modelli linguistici.

Perché la qualità dei dati decide il successo

Un modello può essere buono solo quanto i dati da cui apprende. Il noto principio «garbage in, garbage out» vale in modo particolarmente forte nel machine learning: dati di training errati, incompleti o sbilanciati generano modelli che forniscono con sicurezza risultati sbagliati. Più dati aiutano solo se sono pertinenti e puliti.

• Rappresentatività: i dati di training devono rispecchiare la realtà futura. Se mancano interi gruppi, il modello funziona male per essi.
• Distorsione (bias): se i dati riflettono disuguaglianze storiche, il modello le apprende e può amplificarle.
• Attualità: se il mondo cambia, un modello si deteriora («data drift») e va riaddestrato.
• Qualità delle etichette: nell'apprendimento supervisionato le etichette corrette sono tutto: esempi mal etichettati insegnano al modello la cosa sbagliata.

Un esempio semplice dall'inizio alla fine

Supponiamo che una PMI voglia stimare i prezzi degli immobili. Si raccolgono vendite storiche con caratteristiche come superficie, posizione e anno di costruzione, più il prezzo effettivo (l'etichetta). Questa tabella è il set di training per un modello supervisionato.

Nel training l'algoritmo cerca la relazione tra caratteristiche e prezzo e regola i parametri finché le sue stime si avvicinano il più possibile ai prezzi reali. Poi si verifica l'accuratezza su vendite tenute da parte. Nell'inferenza si inseriscono le caratteristiche di un nuovo appartamento non ancora venduto e si ottiene una stima. Se il mercato cambia, si riaddestra il modello con dati freschi.

Limiti e malintesi comuni

• Il ML non comprende come un essere umano: un modello coglie schemi statistici, non significato o causa. Correlazione non è causalità.
• Overfitting: se un modello memorizza i dati di training, fallisce su casi nuovi. Da qui la fase di test separata.
• Nessun buon senso: al di fuori dei dati visti, un modello può produrre output insensati senza «accorgersene».
• Non sempre la scelta giusta: per regole chiare e stabili, i programmi classici sono spesso più semplici, economici e trasparenti del ML.

Prospettiva svizzera: protezione dei dati e uso responsabile

Poiché il machine learning vive di dati, in Svizzera tocca direttamente la legge sulla protezione dei dati riveduta (revLPD/nLPD). Chi usa dati personali per il training necessita di una base giuridica valida, deve informare in modo trasparente e rispettare i principi di minimizzazione dei dati e limitazione dello scopo. L'autorità di vigilanza è l'Incaricato federale della protezione dei dati e della trasparenza (IFPDT/EDÖB).

In pratica significa: documentare la provenienza dei dati, controllare i dataset per i bias, mantenere i modelli spiegabili e prevedere il controllo umano per le decisioni delicate. Proprio per le PMI svizzere, una gestione pulita dei dati non è un freno ma un vantaggio di fiducia verso clienti e partner.