I tre modi in cui
l’AI impara
Questa scheda ti presenta i tre grandi modi in cui un sistema di Intelligenza Artificiale può “imparare” dai dati: con esempi etichettati, senza etichette e tramite segnali di ricompensa. Capire queste differenze ti permette di leggere meglio cosa un modello può fare, quali limiti ha e perché a volte sbaglia in modo prevedibile.
Che cosa significa che l’AI “impara”
Quando diciamo che l’AI “impara”, non intendiamo che sviluppi comprensione o coscienza. Significa che, esposta a molti esempi, aggiorna i propri parametri interni per riconoscere schemi nei dati e produrre output utili in situazioni simili.
Nella pratica, questo processo può avvenire in modi diversi: usando esempi già etichettati da persone, cercando strutture nascoste in dati grezzi, oppure ricevendo segnali di ricompensa in base ai risultati ottenuti.
I “modi di apprendere” sono quindi strategie diverse per estrarre pattern dai dati. Conoscerli ti aiuta a capire che tipo di AI hai davanti e quali domande puoi ragionevolmente aspettarti che gestisca.
I tre modi principali in cui l’AI impara
In Machine Learning si distinguono tre grandi famiglie di apprendimento:
- Apprendimento supervisionato: il modello vede esempi di input già etichettati (es. email contrassegnate come “spam” / “non spam”) e impara ad associare correttamente dato in ingresso ed etichetta.
- Apprendimento non supervisionato: il modello riceve dati senza etichette e cerca autonomamente strutture o raggruppamenti (es. cluster di clienti con comportamenti simili).
- Apprendimento per rinforzo: il sistema interagisce con un ambiente (virtuale o reale) e riceve segnali di ricompensa o penalità. L’obiettivo è massimizzare la ricompensa nel tempo (es. un agente che impara a giocare a un videogioco).
Spesso i sistemi reali combinano più approcci (per esempio, modelli linguistici addestrati supervisionatamente e poi adattati con tecniche di rinforzo basate sul feedback umano).
Cosa ricordare in pratica
- “Imparare” per l’AI significa ottimizzare parametri sulla base di molti esempi, non comprendere come un umano.
- Supervisione, non supervisione e rinforzo rispondono a bisogni diversi: prevedere etichette, scoprire strutture, ottimizzare decisioni.
- Sapere come è stato addestrato un sistema ti aiuta a capire quando può funzionare bene e quando è fuori contesto.
- La stessa architettura di modello può comportarsi in modo diverso a seconda del tipo di apprendimento e dei dati usati.
Come si collega all’ecosistema W.I.L.A.I.
Nel Codice W.I.L.A.I. questa scheda completa il quadro aperto dagli articoli su dati e dataset (Art. 10.4 e 10.5): non solo quali dati usiamo, ma anche come il modello li sfrutta per imparare a produrre previsioni, raggruppamenti o decisioni.
Nel W.I.L.A.I. LAB questi tre modi diventano esercizi concreti: riconoscere, davanti a casi reali, se un problema richiede un approccio supervisionato, non supervisionato o di rinforzo e cosa cambia nelle aspettative sugli output.
Questo ti aiuta a sviluppare una mentalità progettuale: non chiederti solo “che strumento usare?”, ma che tipo di apprendimento serve per questo obiettivo e quali dati devi mettere a disposizione.
Se arrivi a questa scheda senza aver letto Art. 10.4 – Dati: la base dell’intelligenza artificiale e Art. 10.5 – Perché i dataset contano più degli algoritmi, ti conviene recuperarli: chiariscono il ruolo dei dati nel definire che cosa l’AI può imparare.
Dopo questa introduzione sui tre modi di apprendere, puoi proseguire con Art. 10.8 – Machine Learning: concetti e casi d’uso, dove vedrai questi schemi applicati a esempi concreti di problemi reali. Per trasformare la teoria in pratica, esplora i livelli del W.I.L.A.I. LAB dedicati ai fondamenti dell’AI.