I modelli discriminativi imparano a distinguere i dati determinando direttamente il confine tra le classi: rispondono alla domanda «A quale categoria appartiene questo input?». Esempi sono la regressione logistica, le support vector machine e molti classificatori neurali, ad esempio per il rilevamento dello spam. I modelli generativi, invece, descrivono come nascono i dati stessi e possono quindi produrre nuovi esempi.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoL’IA generativa indica i sistemi di IA che creano contenuti nuovi, come testi, immagini, audio, video o codice, invece di limitarsi a ordinare o valutare dati esistenti. Si basa su modelli che apprendono schemi da grandi quantità di dati e li usano per produrre nuovi output plausibili. In azienda si usa ad esempio per bozze di email, riassunti, descrizioni di prodotto o idee visive. I risultati possono contenere errori e vanno verificati prima dell’uso.
La regressione logistica è un metodo statistico che stima la probabilità di uno tra due esiti, ad esempio “acquista” o “non acquista”. Pondera le caratteristiche in ingresso e trasforma la loro somma in un valore tra 0 e 1 tramite una funzione a forma di S. Poiché i pesi sono facilmente interpretabili, è molto usata in valutazione del credito, medicina e marketing, spesso come base di confronto per modelli più complessi.
Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.
Naive Bayes è una famiglia di semplici metodi di classificazione basati sul teorema di Bayes. Sono detti “ingenui” perché presuppongono che tutte le caratteristiche siano indipendenti tra loro, cosa raramente vera nella pratica ma che spesso porta comunque a buoni risultati. Sono veloci, richiedono pochi dati di addestramento e si prestano bene ai testi. Esempio classico è il filtro antispam che classifica le e-mail in base a parole tipiche.
