Nell'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.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoNell'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.
Il clustering è un metodo di apprendimento non supervisionato che suddivide i dati in gruppi in base alla loro somiglianza, senza categorie predefinite. Fa emergere schemi che nessuno aveva ancora individuato, ad esempio segmenti di clienti con comportamenti d'acquisto simili. Con i testi, il clustering aiuta a ordinare centinaia di richieste dei clienti per temi come consegna, fatturazione o reclami e a riconoscerne le priorità.
K-means è un metodo di apprendimento non supervisionato che suddivide i dati in un numero k di gruppi stabilito in anticipo. Assegna ogni punto al centro di gruppo più vicino e sposta questi centri finché le assegnazioni quasi non cambiano più. Il metodo è rapido e intuitivo, ma richiede una scelta sensata di k e caratteristiche su scale confrontabili. Esempio: raggruppare i clienti per frequenza d'acquisto e valore del carrello.
La riduzione della dimensionalità diminuisce il numero di caratteristiche di un insieme di dati senza perdere le informazioni essenziali. Metodi noti sono l'analisi delle componenti principali (PCA) e t-SNE e UMAP, spesso usati per la visualizzazione. Accelera i calcoli, riduce il rischio di overfitting e rende i dati più leggibili, ad esempio quando centinaia di attributi dei clienti vengono riportati su una mappa bidimensionale in cui i clienti simili sono vicini.
