Nell'apprendimento supervisionato un modello impara da esempi di cui si conosce già la risposta corretta, ad esempio e-mail etichettate come «spam» o «non spam». Da questi ricava regole per classificare casi nuovi o prevedere valori. Compiti tipici sono la classificazione e la regressione; lo sforzo principale sta nel preparare dati etichettati con cura.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoNell'apprendimento non supervisionato un modello riceve dati senza risposte corrette predefinite e cerca da solo delle strutture. Metodi tipici sono il clustering, che raggruppa record simili, e la riduzione della dimensionalità, che condensa molte caratteristiche in poche essenziali. Le aziende lo usano per scoprire segmenti di clientela o individuare transazioni insolite; i gruppi trovati vanno poi interpretati da esperti.
L'apprendimento semi-supervisionato combina una piccola quantità di dati etichettati con una grande quantità di dati non etichettati. Il modello impara prima dai pochi esempi con risposta nota e poi sfrutta gli schemi presenti negli altri dati per migliorare, ad esempio adottando le previsioni più sicure come nuovi esempi di addestramento. Conviene quando etichettare è costoso, come nel caso di immagini mediche o di migliaia di ticket di assistenza.
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.
I dati di addestramento sono gli esempi da cui un modello di IA apprende schemi: grandi raccolte di testi per i modelli linguistici, immagini etichettate per quelli visivi. La loro qualità, varietà e attualità determinano in larga misura quanto un modello sarà affidabile ed equo e quanto aggiornate saranno le sue conoscenze. Per le aziende conta inoltre se un fornitore usa i dati dei clienti per ulteriori addestramenti.
