Capire l'intelligenza artificiale: tra esseri umani e algoritmi

Il sistema di apprendimento automatico analizza questi esempi etichettati e impara a riconoscere i pattern che legano gli input alle risposte corrette. Attraverso tecniche come le reti neurali o altri modelli di machine learning, il sistema “costruisce” un modello in grado di mappare nuovi input non visti in precedenza, assegnando loro le corrette risposte o etichette.
L’apprendimento supervisionato richiede quindi notevoli sforzi di etichettatura manuale dei dati. Tuttavia, una volta addestrato, il sistema diventa molto efficace nel fornire risposte accurate su nuovi dati non ancora etichettati. Esempi pratici di apprendimento supervisionato includono il riconoscimento di immagini, la traduzione automatica, la classificazione di testi e la previsione di risultati numerici.
A differenza dell’approccio supervisionato, l’apprendimento non supervisionato non richiede dati etichettati da supervisori umani. Il sistema riceve solo input grezzi, non etichettati, come immagini, dati di sensori o altri dati strutturati e non strutturati. L’obiettivo è far emergere autonomamente pattern, regolarità, gruppi o strutture nascoste nei dati, senza una “verità” predefinita.
I tipici metodi di apprendimento non supervisionato includono il clustering, che ha lo scopo di raggruppare istanze simili, la riduzione della dimensionalità dei dati per ottenere rappresentazioni compatte di problemi complessi e l’apprendimento di distribuzioni o densità probabilistiche nei dati. Queste tecniche consentono di scoprire correlazioni, anomalie e insight dai dati che potrebbero non essere intuibili o prevedibili in anticipo.